机器学习训练营——机器学习爱好者的自由交流空间（qq 群号：696721295）
sklearn.datasets包内置了一些小规模的示例数据集。为了评估数据规模的影响，控制数据的统计属性（典型的是特征的相关性和忠实度），也可以产生合成数据。该包也可以作为评价机器学习算法性能的基准数据集的所在。
通用数据集 API
对于不同类型的数据集，有三个不同类型的数据集接口。最简单的是样本图像接口。数据集生成函数和svmlight加载器共享一个简化接口，返回一个元组(X, y). 该元组包括一个n_samples * n_features numpy数组X, 一个长度为n_samples, 包括目标变量y的数组。
示例数据集(toy datasets)、真实数据集和来自mldata.org的数据集，结构更加复杂。这些函数返回类字典的对象，至少包括两项：一个形如n_samples * n_features的数组，拥有data键；一个长度为n_samples的numpy数组，拥有target键。
数据集也包括DESCR描述，一些数据集包括feature_names and target_names.
示例数据集
scikit-learn自带一些小的标准数据集，并不需要从外部网站下载任何文件。
这些数据集可以用来快速检验不同算法的表现，然而，因为数据规模太小，它们并不能代表算法对来自真实世界的数据的真正表现。
样本图像
scikit也自带了几个JPEG图像样本数据集。这些数据集可以被用来检验算法和pipeline 2D数据。
样本生成器
scikit-learn包括不同的随机样本生成器，可以创造大小和复杂度可控的人造数据集。
分类/聚类数据生成器
生成对应离散target的特征矩阵，这里主要介绍单个类标签的情况。
make_blobs, make_classification都可以产生多个类别的数据集，这是通过分配每个类一个或者多个正态分布的数据点实现的。make_blobs提供了关于每个类的中心和标准差的更大控制，所以主要用来演示聚类。make_classification通过以下形式规定数据的噪音：
相关、冗余且无信息的特征；
每个类包括多个高斯类；
特征空间的线性变换。
make_circles and make_moons可以产生二维二值分类数据集，包括最佳的高斯噪音。
回归生成器
make_regression通过随机特征的最优线性组合，再加入随机误差，产生回归的目标变量。make_sparse_uncorrelated通过具有固定系数的四个特征的线性组合，产生目标变量。
从mldata.org仓库下载数据集
mldata.org是一个机器学习的开放数据仓库，sklearn.datasets包可以直接从mldata.org下载数据集，使用sklearn.datasets.fetch_mldata函数。例如，为了下载MNIST数字识别数据库：
MNIST数据库由总共7万个手写数字的实例组成，每个实例是大小为 的像素，标签0~9的数字。
在首次下载后，数据集保存在由参数data_home指定的路径下，默认路径是~/scikit_learn_data/
mldata.org下载的数据数组经常以(n_features, n_samples)的形式组织，这和scikit-learn组织数据的形式相反。所以，sklearn.datasets.fetch_mldata默认操作是转置矩阵，这由参数transpose_data控制：
阅读更多精彩内容，请关注微信公众号：统计学习与大数据