專欄:機器學習

個人主頁:云端筑夢獅

一.數據集讀取方法（常用功能用熟即可不用背下來）

以例子代表需要的知識點和方法。

1. 導入必要的庫

from sklearn.datasets import load_iris
import numpy as np

• load_iris()：用于加載鳶尾花數據集的函數。（其他的數據集也按照類似的方式進行導入）

iris_data = load_iris()
print(iris_data)
print(type(iris_data))

• load_iris()返回一個類似字典的Bunch對象，包含數據、標簽、特征名等信息。
• print(iris_data)會輸出數據集的完整內容，包括 DESCR（描述信息）、data（特征數據）、target（標簽數據）等。
• type(iris_data)顯示其類型

查看特征數據和標簽數據

print(iris_data.data[:10])  # 查看前10條樣本的特征值
print(iris_data.target[:10])  # 查看前10條樣本的標簽值
print(iris_data.feature_names)  # 查看特征名稱

• iris_data.data：是一個形狀為(150, 4)的二維數組，包含 150 個樣本的 4 個特征（花萼長度、花萼寬度、花瓣長度、花瓣寬度）。
• iris_data.target：是一個長度為 150 的一維數組，包含樣本的分類標簽（0、1、2 分別代表山鳶尾、變色鳶尾、維吉尼亞鳶尾）。
• iris_data.feature_names：列出了四個特征的名稱。

使用return_X_y=True直接獲取特征和標簽

x, y = load_iris(return_X_y=True)
print(x[:10])  # 查看前10條樣本的特征值
print(y[:10])  # 查看前10條樣本的標簽值

• return_X_y=True參數使load_iris()直接返回兩個數組：x（特征數據）和y（標簽數據），適合快速進行模型訓練。

以 DataFrame 格式加載數據集

iris_data = load_iris(as_frame=True)
print(iris_data.frame)

• as_frame=True參數使load_iris()返回一個包含 DataFrame 對象。
• iris_data.frame是一個 Pandas DataFrame，包含所有樣本的特征和標簽，方便進行數據探索和分析。

大家一定要在自己的機器上面運行一下這個代碼來熟悉一下

二.數據集的切分方法

from sklearn.model_selection import train_test_split
import numpy as np

• train_test_split：用于將數據集拆分為訓練集和測試集的函數。

a = np.arange(12).reshape(6, 2)
print("特征矩陣a:\n", a)b = np.array([0, 1, 0, 1, 0, 1])

• 特征矩陣?a：一個 6 行 2 列的數組，模擬 6 個樣本的二維特征
• 標簽數組?b

?第一次劃分

X_train, X_test, y_train, y_test = train_test_split(a, b, random_state=42)

• random_state=42：固定隨機種子，確保每次運行代碼時劃分結果相同（便于復現）。未指定test_size時，默認測試集占比為?25%（即 6 個樣本中，測試集為 1.5 個樣本，向上取整為 2 個樣本）。

• 訓練集標簽: [1 0 0 1]  # 包含2個0和2個1
  測試集標簽: [0 1]      # 包含1個0和1個1
  

?第二次劃分：使用?stratify?參數

X_train_strat, X_test_strat, y_train_strat, y_test_strat = train_test_split(a, b, random_state=42, stratify=b
)

• stratify=b：強制劃分后的訓練集和測試集的類別比例與原始數據?完全一致。

  • 原始數據中標簽0和1各占 3 個（比例 1:1），因此：
    • 訓練集：4 個樣本，其中 0 和 1 各 2 個。
    • 測試集：2 個樣本，其中 0 和 1 各 1 個。

• 訓練集標簽: [0 1 1 0]  # 嚴格包含2個0和2個1
  測試集標簽: [0 1]      # 嚴格包含1個0和1個1
  

?第三次劃分：修改?random_state

X_train_new, X_test_new, y_train_new, y_test_new = train_test_split(a, b, random_state=24)

• random_state=24：使用不同的隨機種子，生成與之前不同的劃分結果。

• 訓練集標簽: [0 1 1 0]  # 包含2個0和2個1
  測試集標簽: [0 1]      # 包含1個0和1個1
  

stratify?參數的核心作用

當處理?類別不平衡數據（如 100 個樣本中 90 個正例、10 個反例）時，stratify?參數尤為重要：

• 不使用?stratify：隨機劃分可能導致測試集中只有正例（如 25 個樣本全為正例），無法評估模型對反例的預測能力。
• 使用?stratify：強制測試集中保持 90% 正例、10% 反例的比例，確保模型評估的公平性。

?常見參數擴展

• test_size=0.3：指定測試集占比為 30%。
• shuffle=False：禁用數據打亂（按原始順序劃分）。
• random_state：控制劃分的隨機性，確保結果可復現。
• stratify：保證訓練集和測試集的類別比例與原始數據一致，適用于類別不平衡場景。
• 默認劃分比例為?75% 訓練集 + 25% 測試集，可通過test_size調整。