7. Утилиты загрузки наборов данных#
Пакет sklearn.datasets содержит несколько небольших тестовых наборов данных и предоставляет вспомогательные средства
для получения больших наборов данных, обычно используемых сообществом машинного обучения для тестирования
алгоритмов на данных, полученных из “реального мира”.
Чтобы оценить влияние масштаба набора данных
(n_samples и n_features), контролируя статистические свойства
данных (как правило, корреляцию и информативность
признаков), можно также генерировать синтетические данные.
Существует три основных вида API, которые можно использовать для получения наборов данных в зависимости от желаемого типа набора данных.
Загрузчики наборов данных (loaders). Они могут быть использованы для загрузки небольших стандартных наборов данных, описанных в разделе Игрушечные наборы данных.
Датасеты признаков (fetchers). Она используется для загрузки больших наборов данных, описанных в разделе Реальные наборы данных.
Обе функции loaders и fetchers возвращают объект Bunch,
содержащий как минимум два
элемента: массив формы n_samples * n_features
с ключом data (кроме 20newsgroups) и массив numpy
длины n_samples, содержащий целевые значения, с ключом target.
Объект Bunch - это словарь, который раскрывает свои ключи
как атрибуты. Подробнее об объекте Bunch см. в Bunch.
Почти для всех этих функций также
возможно ограничить вывод кортежем, содержащим только
данные и цель, установив параметр return_X_y в True.
Наборы данных также содержат полное описание в
атрибуте DESCR, а некоторые содержат feature_names и
target_names. Подробности см. в описаниях наборов данных ниже.
Функции генерации наборов данных. Они могут быть использованы для генерации контролируемых синтетических наборов данных, описанных в разделе Сгенерированные наборы данных.
Эти функции возвращают кортеж (X, y), состоящий
из массива n_samples * n_features numpy X
и массива длины n_samples, содержащего цели y.
Кроме того, существуют различные инструменты для загрузки наборов данных других форматов или из других мест, описанные в разделе Загрузка других наборов данных.