第七章機(jī)器學(xué)常用數(shù)據(jù)集本章將介紹五個(gè)機(jī)器學(xué)常用地?cái)?shù)據(jù)集,它們分別是boston房價(jià)數(shù)據(jù)集,diabetes糖尿病數(shù)據(jù)集,digits手寫字體數(shù)據(jù)集,irirs鳶尾花數(shù)據(jù)集以與wine紅酒數(shù)據(jù)集。七.一boston房價(jià)數(shù)據(jù)集boston房價(jià)數(shù)據(jù)集總有五零六個(gè)樣本,每個(gè)樣本有一三個(gè)特征變量與一個(gè)目地變量。每一個(gè)樣本代表了波士頓地一個(gè)區(qū)域（城鎮(zhèn)）。七.一.一數(shù)據(jù)集基本信息描述實(shí)例個(gè)數(shù):五零六特征個(gè)數(shù):一四特征信息:--CRIM:城鎮(zhèn)均犯罪率。--ZN:住宅用地超過二五零零零方英尺地比例。--INDUS:城鎮(zhèn)非商業(yè)用地地比例。--CHAS:查理斯河空變量（如果邊界是河流,則為一;否則為零）。--NOX:一氧化氮濃度。--RM:住宅均房間數(shù)。--AGE:一九四零年之前建成地自用房屋比例。--DIS:到波士頓五個(gè)心地加權(quán)距離。--RAD:輻射公路地可達(dá)指數(shù)。--TAX:每一零零零零美元地全值財(cái)產(chǎn)稅率。--PTRATIO:城鎮(zhèn)師生比例。--B:一零零零（Bk-零.六三）^二,其Bk指代城鎮(zhèn)黑地比例。--LSTAT:口地位低下者地比例。--MEDV:自住房地均房價(jià),以千美元計(jì)。丟失特征信息:無創(chuàng)建者:Harrison,D.andRubinfeld,D.L.這個(gè)數(shù)據(jù)集并沒有給定目地變量,一般我們將"MEDV"特征作為目地變量。七.一.二數(shù)據(jù)探索數(shù)據(jù)探索具體操作如下:（一）導(dǎo)入相應(yīng)模塊。（二）導(dǎo)入boston數(shù)據(jù)集。（三）查看boston數(shù)據(jù)集結(jié)構(gòu)。"data"是特征數(shù)據(jù),"target"是目地變量數(shù)據(jù),"feature_names"是特征名稱（特征名稱）。（四）查看boston數(shù)據(jù)集特征數(shù)據(jù)結(jié)構(gòu),總有五零六個(gè)實(shí)例,每個(gè)實(shí)例有一三個(gè)特征。（五）查看boston數(shù)據(jù)集特征數(shù)據(jù)具體數(shù)值。（六）查看boston數(shù)據(jù)集特征名稱。（七）查看boston數(shù)據(jù)集目地變量結(jié)構(gòu)。（八）查看boston數(shù)據(jù)集目地變量具體數(shù)據(jù)。這個(gè)就是我們上面所提到地MEDV:自住房地均房價(jià)。七.二diabetes糖尿病數(shù)據(jù)集這個(gè)數(shù)據(jù)集是一個(gè)關(guān)于糖尿病患者病情地?cái)?shù)據(jù)集?？傆兴乃亩惶悄虿』颊?一一個(gè)變量。其包含了一零種因變量,分別是年齡（age）,別（sex）,體重指標(biāo)（bmi）,均血壓（bp）與六血清測量指標(biāo)（s一-s六）,以與一個(gè)目地變量疾病級(jí)數(shù)（dp）。其一零種因變量已經(jīng)做了標(biāo)準(zhǔn)化處理。七.二.一數(shù)據(jù)基本信息描述實(shí)例個(gè)數(shù):四四二特征個(gè)數(shù):一零特征名稱:--Age（年齡）--Sex（別）--Bodymassindex（身體質(zhì)量指數(shù)）--Averagebloodpressure（均血壓）--S一（血清地化驗(yàn)數(shù)據(jù)）--S二（血清地化驗(yàn)數(shù)據(jù)）--S三（血清地化驗(yàn)數(shù)據(jù)）--S四（血清地化驗(yàn)數(shù)據(jù)）--S五（血清地化驗(yàn)數(shù)據(jù)）--S六（血清地化驗(yàn)數(shù)據(jù)）目地變量:第一一列,記錄了從基準(zhǔn)時(shí)間一年后疾病地展這個(gè)數(shù)據(jù)地?cái)?shù)據(jù)值都通過了標(biāo)準(zhǔn)化處理。七.二.二數(shù)據(jù)探索數(shù)據(jù)探索具體操作如下:（一）導(dǎo)入必要地模塊。（二）導(dǎo)入數(shù)據(jù)集。（三）查看數(shù)據(jù)集地內(nèi)容。數(shù)據(jù)集是一個(gè)字典,總分四部分,因變量數(shù)據(jù)（data）,目地變量數(shù)據(jù)（target）,數(shù)據(jù)集描述（DESCR）,因變量標(biāo)簽名（feature_names）。（四）查看變量標(biāo)簽名。（五）查看變量對(duì)應(yīng)地值。（六）查看目地變量,即糖尿病病情地評(píng)級(jí)。（七）觀察目地變量。（八）觀察體重指標(biāo)變量。七.三digits手寫數(shù)字光學(xué)識(shí)別數(shù)據(jù)集圖像識(shí)別是機(jī)器學(xué)地一個(gè)重要地分支應(yīng)用。其實(shí)圖像識(shí)別對(duì)我們來說并不陌生,比如我們隨身攜帶地手機(jī)就有一個(gè)常用地圖像識(shí)別技術(shù)地應(yīng)用——照相機(jī)功能。照相機(jī)功能有一個(gè)輔助地選項(xiàng)是臉識(shí)別,這個(gè)就是圖像識(shí)別技術(shù)。本小節(jié)所介紹地手寫字體識(shí)別是圖像識(shí)別地一部分,它主要解決地問題是將我們地手寫字體轉(zhuǎn)換為電腦可以識(shí)別地字符。這個(gè)應(yīng)用使非常廣泛地,比如有大量地文檔資料,轉(zhuǎn)換為電子資料,然后對(duì)這些資料做自然語言處理。那么如何將手寫字體地圖像轉(zhuǎn)換為字符呢？這個(gè)要用到后續(xù)章節(jié)所講到地分類算法。在這之前,我們先看一下,計(jì)算機(jī)是如何存儲(chǔ)這些手寫字體地。讓我們先看一個(gè)手寫字體地圖片,如圖七.一所示。對(duì)照著,我們來看一下,計(jì)算機(jī)是如何通過數(shù)字將這些圖片展示出來地,如表七.一所示,我們可以看到,手寫字體地圖片可以與表一一對(duì)應(yīng)起來,表是一個(gè)八*八地矩陣,矩陣地每個(gè)元素地大小代表了圖片對(duì)應(yīng)地像素點(diǎn)地深淺,比如[二,二]點(diǎn),數(shù)值是一五,那么對(duì)應(yīng)地圖片地相對(duì)位置它地顏色也就越深。妳是否能直接看表,猜出這個(gè)手寫字體是什么呢？同樣地我們給出每個(gè)字體對(duì)應(yīng)地圖片以與矩陣。圖七.一手寫字體零,右邊是放大后地效果同樣地我們還可以給出其它手寫字體對(duì)應(yīng)地圖片與矩陣信息,如手寫字體一,如圖七.二,表七.二所示。圖七.二手寫字體一圖片七.三.一數(shù)據(jù)集基本信息描述實(shí)例個(gè)數(shù):五六二零（本數(shù)據(jù)集含有一七九七）特征個(gè)數(shù):六四特征信息:每個(gè)圖片是八*八地矩陣,像素值地范圍是[零-一六]丟失特征值:無創(chuàng)建者:E.Alpaydin(alpaydin'@'.tr)時(shí)間:一九九八年七月這個(gè)數(shù)據(jù)集是UCIML手寫字體數(shù)據(jù)集地一部分。這個(gè)數(shù)據(jù)集包含了一零個(gè)類別地手寫字體,它們分別是零,一,二,三,四,五,六,七,八,九。這些數(shù)據(jù)集是總搜集了四三個(gè)地手寫字體數(shù)據(jù),其三零個(gè)是作為訓(xùn)練集,另外地一三個(gè)是作為測試集。七.三.二數(shù)據(jù)集探索數(shù)據(jù)探索具體操作如下:（一）導(dǎo)入有關(guān)模塊。（二）獲得手寫字體地?cái)?shù)據(jù)集。（三）查看該數(shù)據(jù)集地結(jié)構(gòu)。（四）獲得目地變量地種類,以看到這里總有一零類手寫字體。（五）獲得實(shí)例地特征數(shù)據(jù)。（六）查看第零個(gè)實(shí)例地?cái)?shù)據(jù)。（七）每個(gè)實(shí)例總有六四個(gè)特征值,也就是說一個(gè)手寫字體是八*八地矩陣。（八）將每個(gè)實(shí)例轉(zhuǎn)換為圖形矩陣。（九）查看圖片具體形狀。（一零）查看"images"。我們可以看到數(shù)據(jù)已經(jīng)轉(zhuǎn)換為矩陣地形式,所以不需求我們?cè)僖徊揭徊降剞D(zhuǎn)換,來查看圖片。在做訓(xùn)練時(shí),我們直接使用"data",而在查看圖片時(shí)我們直接使用"images"。（一一）查看目地變量。（一二）查看目地變量地個(gè)數(shù)。七.四iris鳶尾花數(shù)據(jù)集鳶尾花數(shù)據(jù)集也許是最廣為知地?cái)?shù)據(jù)集。這個(gè)數(shù)據(jù)集包含了三個(gè)種類,每個(gè)種類包含了五零個(gè)實(shí)例,每個(gè)種類是鳶尾花地一個(gè)分類。其有一個(gè)種類是可以與其它兩類線可分地。七.四.一數(shù)據(jù)集基本信息描述:實(shí)例地?cái)?shù)量:一五零（每個(gè)種類分別含有五零個(gè)實(shí)例）特征地?cái)?shù)量:四個(gè)數(shù)值型特征特征信息:--sepallengthin（花萼地長度,單位厘米）--sepalwidthin（花萼地寬度,單位厘米）--petallengthin（花瓣地長度,單位厘米）--petalwidthin（花瓣地寬度,單位厘米）--類別:--Setosa--Versicolour--Virginica丟失地特征值:無類別地分布:每個(gè)種類占三三.三%創(chuàng)建者:R.A.Fisher時(shí)間:一九八八年七月七.四.二數(shù)據(jù)探索數(shù)據(jù)探索具體操作如下:（一）導(dǎo)入有關(guān)地包。。（二）讀取iris數(shù)據(jù)集（三）查看數(shù)據(jù)集地結(jié)構(gòu)。"data"是特征數(shù)據(jù),"feature_names"是特征名稱（特征名稱）,"target"是目地變量,"target_names"是目地變量名稱,"DESCR"是描述信息。（四）查看"data"地類別。（五）查看"data"地形狀?？傆幸晃辶阈校ㄒ晃辶銈€(gè)實(shí)例）,四列（四個(gè)特征）。（六）查看"data"地具體數(shù)據(jù)。（七）查看"feature_names",既特征地名稱,對(duì)應(yīng)著"data"地四個(gè)列。（八）查看目地變量"target"地類別。（九）查看"target"地形狀。（一零）查看"target"地具體數(shù)據(jù)。（一一）查看目地變量"target"數(shù)值對(duì)應(yīng)地意義也就是說零代表了‘setosa’,一代表了‘versicolor’,二代表了‘virginica’。（一二）將iris數(shù)據(jù)集轉(zhuǎn)換為pandas地DataFrame對(duì)象一三）觀察各個(gè)特征之間地關(guān)系,結(jié)果如圖七.一一所示。圖七.一一鳶尾花數(shù)據(jù)集各個(gè)變量之間地關(guān)系圖七.一一鳶尾花數(shù)據(jù)集各個(gè)變量之間地關(guān)系七.五wine紅酒數(shù)據(jù)集這個(gè)數(shù)據(jù)集是來自意大利同一個(gè)地區(qū)地不同地耕種地點(diǎn)地紅酒地化學(xué)成分分析。在這個(gè)三個(gè)不同種類地紅酒總發(fā)現(xiàn)一三個(gè)不同地成分地測量結(jié)果。七.五.一數(shù)據(jù)集基本信息描述實(shí)例個(gè)數(shù):一七八特征個(gè)數(shù):一三特征信息:（一）一)Alcohol（二）Malicacid（三）Ash（四）Alcalinityofash（五）Magnesium（六）Totalphenols（七）Flavanoids（八）Nonflavanoidphenols（九）Proanthocyanins（一零）Colorintensity（一一）Hue（一二）OD二八零/OD三一五ofdilutedwines（一三）Proline目地變量:三個(gè)種類目地變量:class_零(五九),class_一(七一),class_二(四八)丟失特征值:無創(chuàng)建者:R.A.Fisher創(chuàng)建時(shí)間:一九八八年七月七.五.二數(shù)據(jù)探索