Scikit Learn - 数据表示

我们知道，机器学习就是要从数据中创建模型。为此，计算机必须首先理解数据。接下来，我们将讨论各种数据表示方式，以便计算机能够理解这些数据 −

数据作为表格

在 Scikit-learn 中表示数据的最佳方式是表格形式。表格表示一个二维数据网格，其中行代表数据集中的单个元素，列代表与这些单个元素相关的量。

示例

通过下面的示例，我们可以使用 Python 的 seaborn 库以 Pandas DataFrame 的形式下载 iris dataset。

import seaborn as sns
iris = sns.load_dataset('iris')
iris.head()

输出

sepal_length sepal_width petal_length petal_width  species
0        5.1      3.5         1.4             0.2   setosa
1        4.9      3.0         1.4             0.2   setosa
2        4.7      3.2         1.3             0.2   setosa
3        4.6      3.1         1.5             0.2   setosa
4        5.0      3.6         1.4             0.2   setosa

从上面的输出可以看出，数据的每一行代表一个观测到的花朵，行数代表数据集中花朵的总数。通常，我们将矩阵的行称为 samples。

另一方面，数据的每一列代表描述每个 sample 的定量信息。通常，我们将矩阵的列称为 features。

数据作为特征矩阵

特征矩阵可以定义为表格布局，其中信息可以被视为二维矩阵。它存储在名为 X 的变量中，并假定为二维，形状为 [n_samples, n_features]。通常，它包含在 NumPy array 或 Pandas DataFrame 中。如前所述，samples 始终代表数据集描述的单个对象，而 features 代表以定量方式描述每个 sample 的不同观测值。

数据作为目标数组

除了用 X 表示的特征矩阵外，我们还有目标数组。它也被称为 label，用 y 表示。标签或目标数组通常是一维的，长度为 n_samples。它通常包含在 NumPy array 或 Pandas Series 中。目标数组可能同时具有连续数值和离散值。

目标数组与特征列有何区别？

我们可以从一点来区分两者：目标数组通常是我们想要从数据中预测的量，即在统计术语中它是因变量。

示例

在下面的示例中，我们根据 iris 数据集的其他测量值来预测花的种类。在这种情况下，Species 列将被视为特征。

import seaborn as sns
iris = sns.load_dataset('iris')
%matplotlib inline
import seaborn as sns; sns.set()
sns.pairplot(iris, hue='species', height=3);

输出

X_iris = iris.drop('species', axis=1)
X_iris.shape
y_iris = iris['species']
y_iris.shape

输出

(150,4)
(150,)