专栏:机器学习

个人主页:云端筑梦狮

一.数据集读取方法（常用功能用熟即可不用背下来）

以例子代表需要的知识点和方法。

1. 导入必要的库

from sklearn.datasets import load_iris
import numpy as np

• load_iris()：用于加载鸢尾花数据集的函数。（其他的数据集也按照类似的方式进行导入）

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

• load_iris()返回一个类似字典的Bunch对象，包含数据、标签、特征名等信息。
• print(iris_data)会输出数据集的完整内容，包括 DESCR（描述信息）、data（特征数据）、target（标签数据）等。
• type(iris_data)显示其类型

查看特征数据和标签数据

print(iris_data.data[:10])  # 查看前10条样本的特征值
print(iris_data.target[:10])  # 查看前10条样本的标签值
print(iris_data.feature_names)  # 查看特征名称

• iris_data.data：是一个形状为(150, 4)的二维数组，包含 150 个样本的 4 个特征（花萼长度、花萼宽度、花瓣长度、花瓣宽度）。
• iris_data.target：是一个长度为 150 的一维数组，包含样本的分类标签（0、1、2 分别代表山鸢尾、变色鸢尾、维吉尼亚鸢尾）。
• iris_data.feature_names：列出了四个特征的名称。

使用return_X_y=True直接获取特征和标签

x, y = load_iris(return_X_y=True)
print(x[:10])  # 查看前10条样本的特征值
print(y[:10])  # 查看前10条样本的标签值

• return_X_y=True参数使load_iris()直接返回两个数组：x（特征数据）和y（标签数据），适合快速进行模型训练。

以 DataFrame 格式加载数据集

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

• as_frame=True参数使load_iris()返回一个包含 DataFrame 对象。
• iris_data.frame是一个 Pandas DataFrame，包含所有样本的特征和标签，方便进行数据探索和分析。

大家一定要在自己的机器上面运行一下这个代码来熟悉一下

二.数据集的切分方法

from sklearn.model_selection import train_test_split
import numpy as np

• train_test_split：用于将数据集拆分为训练集和测试集的函数。

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

• 特征矩阵 a：一个 6 行 2 列的数组，模拟 6 个样本的二维特征
• 标签数组 b

 第一次划分

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

• random_state=42：固定随机种子，确保每次运行代码时划分结果相同（便于复现）。未指定test_size时，默认测试集占比为 25%（即 6 个样本中，测试集为 1.5 个样本，向上取整为 2 个样本）。

• 训练集标签: [1 0 0 1]  # 包含2个0和2个1
  测试集标签: [0 1]      # 包含1个0和1个1
  

 第二次划分：使用 stratify 参数

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

• stratify=b：强制划分后的训练集和测试集的类别比例与原始数据 完全一致。

  • 原始数据中标签0和1各占 3 个（比例 1:1），因此：
    • 训练集：4 个样本，其中 0 和 1 各 2 个。
    • 测试集：2 个样本，其中 0 和 1 各 1 个。

• 训练集标签: [0 1 1 0]  # 严格包含2个0和2个1
  测试集标签: [0 1]      # 严格包含1个0和1个1
  

 第三次划分：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：使用不同的随机种子，生成与之前不同的划分结果。

• 训练集标签: [0 1 1 0]  # 包含2个0和2个1
  测试集标签: [0 1]      # 包含1个0和1个1
  

stratify 参数的核心作用

当处理 类别不平衡数据（如 100 个样本中 90 个正例、10 个反例）时，stratify 参数尤为重要：

• 不使用 stratify：随机划分可能导致测试集中只有正例（如 25 个样本全为正例），无法评估模型对反例的预测能力。
• 使用 stratify：强制测试集中保持 90% 正例、10% 反例的比例，确保模型评估的公平性。

 常见参数扩展

• test_size=0.3：指定测试集占比为 30%。
• shuffle=False：禁用数据打乱（按原始顺序划分）。
• random_state：控制划分的随机性，确保结果可复现。
• stratify：保证训练集和测试集的类别比例与原始数据一致，适用于类别不平衡场景。
• 默认划分比例为 75% 训练集 + 25% 测试集，可通过test_size调整。