sklearn.datasets 模块

sklearn.datasets 是 scikit-learn 提供的 数据集加载模块，包含 内置数据集、合成数据集和外部数据集接口，用于 机器学习模型的实验和测试。

---

1. sklearn.datasets 提供的功能

数据集类型	作用	主要函数
内置数据集	经典机器学习数据集	load_iris()、load_digits()、load_wine()
合成数据集	生成随机数据	make_classification()、make_regression()
外部数据集接口	读取开放数据集	fetch_openml()、fetch_california_housing()

---

2. 内置数据集

适用于快速测试机器学习算法，数据已 格式化为 NumPy 数组和 Pandas DataFrame。

(1) 经典分类数据集

① load_iris()（鸢尾花数据集）

from sklearn.datasets import load_iris

# 加载数据
iris = load_iris()
X, y = iris.data, iris.target

# 数据集信息
print("特征名称:", iris.feature_names)
print("类别名称:", iris.target_names)
print("数据形状:", X.shape, y.shape)

数据集信息

• 特征 (X)：sepal length, sepal width, petal length, petal width（4 个特征）。
• 类别 (y)：setosa, versicolor, virginica（3 类）。

---

② load_wine()（葡萄酒数据集）

from sklearn.datasets import load_wine

wine = load_wine()
X, y = wine.data, wine.target

print("特征名称:", wine.feature_names)
print("类别名称:", wine.target_names)

数据集信息

• 13 个特征（酒精、苹果酸、镁含量等）。
• 3 类红酒。

---

③ load_digits()（手写数字数据集）

from sklearn.datasets import load_digits
import matplotlib.pyplot as plt

digits = load_digits()
X, y = digits.data, digits.target

# 显示一个手写数字
plt.imshow(digits.images[0], cmap="gray")
plt.title(f"Label: {y[0]}")
plt.show()

数据集信息

• 1797 张 8×8 的手写数字图片。
• 10 个类别（数字 0-9）。

---

(2) 经典回归数据集

① load_diabetes()（糖尿病数据集）

from sklearn.datasets import load_diabetes

diabetes = load_diabetes()
X, y = diabetes.data, diabetes.target

print("特征名称:", diabetes.feature_names)
print("数据形状:", X.shape, y.shape)

数据集信息

• 442 个样本，10 个数值型特征（年龄、BMI、血压等）。
• 目标变量是连续值（糖尿病病情进展）。

---

② load_boston()（波士顿房价数据集，已废弃）

sklearn.datasets.load_boston() 已被移除，建议使用 fetch_california_housing()。

from sklearn.datasets import fetch_california_housing

housing = fetch_california_housing()
X, y = housing.data, housing.target

print("特征名称:", housing.feature_names)
print("数据形状:", X.shape, y.shape)

数据集信息

• 20640 个样本，8 个特征（房屋年龄、房间数等）。
• 目标值是房价中位数。

---

3. 生成合成数据

用于测试不同类型的机器学习任务（分类、回归、聚类）。

(1) 生成分类数据

from sklearn.datasets import make_classification
import matplotlib.pyplot as plt

# 生成数据（1000 个样本，2 个特征，2 个类别）
X, y = make_classification(n_samples=1000, n_features=2, n_classes=2, random_state=42)

# 可视化数据
plt.scatter(X[:, 0], X[:, 1], c=y, cmap="coolwarm")
plt.title("合成分类数据")
plt.show()

参数

• n_samples=1000：样本数。
• n_features=2：特征数。
• n_classes=2：类别数。

---

(2) 生成回归数据

from sklearn.datasets import make_regression

X, y = make_regression(n_samples=1000, n_features=1, noise=10, random_state=42)

plt.scatter(X, y)
plt.title("合成回归数据")
plt.show()

参数

• n_features=1：1 个特征。
• noise=10：加入噪声。

---

(3) 生成聚类数据

from sklearn.datasets import make_blobs

X, y = make_blobs(n_samples=300, centers=3, random_state=42)

plt.scatter(X[:, 0], X[:, 1], c=y, cmap="viridis")
plt.title("合成聚类数据")
plt.show()

参数

• centers=3：3 个聚类中心。

---

4. 访问外部数据集

(1) fetch_openml()

fetch_openml() 从 OpenML 平台下载数据。

from sklearn.datasets import fetch_openml

mnist = fetch_openml("mnist_784", version=1, as_frame=False)
X, y = mnist.data, mnist.target

print("MNIST 数据形状:", X.shape, y.shape)

数据集

• mnist_784：手写数字数据集（70,000 张 28×28 图片）。
• 适用于深度学习、CNN 任务。

---

(2) fetch_california_housing()

housing = fetch_california_housing()
X, y = housing.data, housing.target

数据集

• 房价预测数据集（20640 个样本，8 个特征）。

---

5. sklearn.datasets 的主要函数

函数	作用
load_iris()	鸢尾花分类
load_wine()	葡萄酒分类
load_digits()	手写数字分类
load_diabetes()	糖尿病回归
fetch_california_housing()	加州房价预测
fetch_openml()	获取 OpenML 数据集
make_classification()	生成分类数据
make_regression()	生成回归数据
make_blobs()	生成聚类数据

---

6. 适用场景

• 测试机器学习算法（使用 load_iris()、load_digits()）。
• 生成合成数据，评估模型性能（使用 make_classification()）。
• 获取外部数据集进行实验（使用 fetch_openml()）。

---

7. 结论

• sklearn.datasets 提供了经典数据集、合成数据集和外部数据集接口，适用于 机器学习实验。
• 如果 需要分类、回归或聚类测试，可使用内置数据集；如果 需要定制数据，可使用合成数据集；如果 需要真实数据，可使用 fetch_openml() 获取外部数据。