数据的数据表示和可视化
机器学习是关于使模型适应数据。出于这个原因，我们首先展示如何表示数据以便计算机理解。
在本章的开头，我们引用了 Tom Mitchell 对机器学习的定义：“适定学习问题：一个计算机程序被称为从经验 E 中学习关于某些任务 T 和某些性能度量 P，如果它在 T 上的性能，为由 P 衡量，随着经验 E 改进。” 数据是机器学习的“原材料”。它从数据中学习。在 Mitchell 的定义中，“数据”隐藏在“体验 E”和“绩效衡量 P”这两个术语之后。如前所述，我们需要标记数据来学习和测试我们的算法。
但是，建议您在开始训练分类器之前先熟悉数据。
Numpy 提供了理想的数据结构来表示您的数据，而 Matplotlib 为可视化您的数据提供了巨大的可能性。
在下面，我们想展示如何使用sklearn模块中的数据来做到这一点。
虹膜数据集，机器学习的“Hello World”
你看到的第一个程序是什么？我敢打赌，这可能是一个用某种编程语言发出“Hello World”的程序。很可能我是对的。几乎所有关于编程的介绍性书籍或教程都以这样的程序开头。这种传统可以追溯到 1968 年 Brian Kernighan 和 Dennis Ritchie 合着的“C 编程语言”一书！
您将在机器学习介绍性教程中看到的第一个数据集是“Iris 数据集”的可能性同样很高。鸢尾花数据集包含来自 3 个不同物种的 150 朵鸢尾花的测量结果：
- 鸢尾花，
- 变色鸢尾，和
- 鸢尾花-弗吉尼亚。
鸢尾花
变色鸢尾
鸢尾花
鸢尾花数据集因其简单性而经常被使用。该数据集包含在 scikit-learn 中，但在深入研究 Iris 数据集之前，我们将查看 scikit-learn 中可用的其他数据集。
使用 Scikit-learn 加载虹膜数据
例如，scikit-learn 有一组非常简单的关于这些鸢尾花的数据。数据包括以下内容：
-
鸢尾花数据集中的特征：
- 萼片长度厘米
- 萼片宽度厘米
- 花瓣长度厘米
- 花瓣宽度厘米
-
要预测的目标类别：
- 鸢尾花
- 变色鸢尾
- 鸢尾花
scikit-learn 嵌入 iris CSV 文件的副本以及帮助函数以将其加载到 numpy 数组中：
from sklearn.datasets import load_iris
iris = load_iris ()
结果数据集是一个Bunch对象：
类型（虹膜）
输出：
sklearn.utils.Bunch
您可以使用以下方法查看此数据类型可用的内容keys()：
虹膜。键()
输出：
dict_keys(['data', 'target', 'frame', 'target_names', 'DESCR', 'feature_names', 'filename'])
Bunch 对象类似于字典，但它还允许访问属性样式中的键：
打印（虹膜[ “target_names” ]）
打印（虹膜。target_names ）
输出：
['setosa''杂色''弗吉尼亚']
['setosa''杂色''弗吉尼亚']
每个样本花的特征存储在data数据集的属性中：
n_samples , n_features = iris 。数据。形状
打印（“样品数：” ， N_SAMPLES次）
打印（“的特征数：” ， n_features ）
＃萼片长度，萼片宽度，花瓣长度和第一样本（第一花）的花瓣宽度
打印（虹膜。数据[ 0 ])
输出：
样本数：150
功能数量：4
[5.1 3.5 1.4 0.2]
每朵花的特征都存储在data数据集的属性中。让我们来看看一些示例：
# 指数为 12、26、89 和 114
iris 的花。数据[[ 12 , 26 , 89 , 114 ]]
输出：
数组([[4.8, 3., 1.4, 0.1],
[5. , 3.4, 1.6, 0.4],
[5.5, 2.5, 4., 1.3],
[5.8, 2.8, 5.1, 2.4]])
每个样本的类别信息，即标签，存储在数据集的“目标”属性中：
打印（虹膜.数据.形状）
打印（虹膜.目标.形状）
输出：
(150, 4)
(150,)
打印（虹膜。目标）
输出：
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
2 2]
将 numpy 导入为 np
NP . bincount （虹膜。目标）
输出：
数组([50, 50, 50])
使用 NumPy 的 bincount 函数（上图）我们可以看到这个数据集中的类是均匀分布的——每个物种有 50 朵花，其中
- 第 0 类：鸢尾花
- 第 1 类：变色鸢尾
- 第 2 类：弗吉尼亚鸢尾
这些类名存储在最后一个属性中，即target_names：
打印（虹膜。target_names ）
输出：
['setosa''杂色''弗吉尼亚']
我们的鸢尾花数据集的每个样本的类信息都存储在数据集的target属性中：
打印（虹膜。目标）
输出：
[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
2 2]
除了数据的形状，我们还可以检查标签的形状，即target.shape：
每个花卉样本在数据数组中占一行，列（特征）代表以厘米为单位的花卉测量值。例如，我们可以表示这个 Iris 数据集，由 150 个样本和 4 个特征组成，一个二维数组或矩阵电阻150×4 格式如下：
X=[X1(1)X2(1)X3(1)X4(1)X1(2)X2(2)X3(2)X4(2)⋮⋮⋮⋮X1(150)X2(150)X3(150)X4(150)]
上标分别表示第i行，下标分别表示第j个特征。
一般来说，我们有 n 行和 克 列：
X=[X1(1)X2(1)X3(1)…X克(1)X1(2)X2(2)X3(2)…X克(2)⋮⋮⋮⋮⋮X1(n)X2(n)X3(n)…X克(n)]
打印（虹膜.数据.形状）
打印（虹膜.目标.形状）
输出：
(150, 4)
(150,)
bincountof NumPy 计算非负整数数组中每个值的出现次数。我们可以使用它来检查数据集中类的分布：
将 numpy 导入为 np
NP . bincount （虹膜。目标）
输出：
数组([50, 50, 50])
我们可以看到类是均匀分布的——每个物种有 50 朵花，即
- 第 0 类：鸢尾花-Setosa
- 第 1 类：变色鸢尾
- 第 2 类：Iris-Virginica
这些类名存储在最后一个属性中，即target_names：
打印（虹膜。target_names ）
输出：
['setosa''杂色''弗吉尼亚']
可视化虹膜数据集的特征
特征数据是四维的，但我们可以使用简单的直方图或散点图一次可视化一两个维度。
从 sklearn.datasets 导入 load_iris
虹膜 = load_iris （）
打印（虹膜。数据[虹膜。目标== 1 ] [：5 ]）
打印（虹膜。数据[虹膜。靶向== 1 ， 0 ] [：5 ]）
输出：
[[7. 3.2 4.7 1.4]
[6.4 3.2 4.5 1.5]
[6.9 3.1 4.9 1.5]
[5.5 2.3 4. 1.3]
[6.5 2.8 4.6 1.5]]
[7. 6.4 6.9 5.5 6.5]
特征的直方图
导入 matplotlib.pyplot 作为 plt
图, ax = plt 。副区（）
x_index = 3个
色 = [ '蓝' ， '红' ， '绿色' ]
为 标签， 颜色 在 拉链（范围（len个（虹膜。target_names ））， 颜色）：
斧。HIST （虹膜。数据[虹膜。目标==标签， x_index ]，
标签=虹膜。target_names [标签]，
颜色=颜色）
斧头。set_xlabel ( iris . feature_names [ x_index ])
ax 。图例（loc = '右上角' ）
plt 。显示()
锻炼
查看其他特征的直方图，即花瓣长度、萼片宽度和萼片长度。
具有两个特征的散点图
外观图在一张图中显示了两个特征：
导入 matplotlib.pyplot 作为 plt
fig ， ax = plt 。子图()
x_index = 3
y_index = 0
颜色 = [ '蓝色' 、 '红色' 、 '绿色' ]
为 标签， 颜色 在 拉链（范围（len个（虹膜。target_names ））， 颜色）：
斧。散射（虹膜。数据[虹膜。目标==标签， x_index ]，
虹膜。数据[虹膜。目标==标签， y_index ]，
标签=虹膜。target_names [标签],
c =颜色)
斧头。set_xlabel ( iris . feature_names [ x_index ])
ax 。set_ylabel ( iris . feature_names [ y_index ])
ax 。图例（loc = '左上' ）
plt 。显示()
锻炼
更改上面脚本中的 x_index 和 y_index
更改上面脚本中的 x_index 和 y_index 并找到最大程度地分隔三个类的两个参数的组合。
概括
我们现在将在一个组合图中查看所有特征组合：
导入 matplotlib.pyplot 作为 plt
n = len ( iris . feature_names )
fig , ax = plt 。子图( n , n , figsize = ( 16 , 16 ))
颜色 = [ '蓝色' 、 '红色' 、 '绿色' ]
对于 X 在 范围（Ñ ）：
用于 Ý 在 范围（Ñ ）：
的XName = 虹膜。特征名称[ x ]
yname = 虹膜。feature_names [ ÿ ]
为 color_ind 在 范围（len个（虹膜。target_names ））：
斧[ X ， ÿ ] 。分散（虹膜。数据[虹膜。目标== color_ind , x ],
iris 。数据[虹膜. 目标== color_ind , y ],
标签= iris 。目标名称[ color_ind ],
c =颜色[ color_ind ])
轴[ x , y ] 。set_xlabel ( xname )
ax [ x , y ] 。set_ylabel ( yname )
ax [ x , y ] 。图例（loc = '左上' ）
PLT 。显示()
散点图'矩阵
除了手动操作，我们还可以使用pandas 模块提供的散点图矩阵。
散点图矩阵显示数据集中所有特征之间的散点图，以及显示每个特征分布的直方图。
将 熊猫 导入为 pd
iris_df = pd 。数据帧（虹膜。数据， 列=虹膜。feature_names ）
PD 。绘图。scatter_matrix ( iris_df ,
c = iris . target ,
figsize = ( 8 , 8 )
);
3维可视化
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from mpl_toolkits.mplot3d import Axes3D
iris = load_iris ()
X = []
for iclass in range ( 3 ):
X 。附加([[], [], []])
for i in range ( len ( iris . data )):
if iris . 目标[ i ] == iclass :
X [ iclass ][ 0 ] 。追加（虹膜。数据[ i ][ 0 ]）
X [ iclass ][ 1 ] 。追加（虹膜。数据[ i ][ 1 ]）
X [ iclass ][ 2 ] 。追加（总和（虹膜。数据[ i ][ 2 :]））
颜色 = ( "r" , "g" , "y" )
fig = plt . 图()
ax = 图. add_subplot ( 111 , 投影= '3d' )
为 的iCLASS 在 范围（3 ）：
斧。scatter ( X [ iclass ][ 0 ], X [ iclass ][ 1 ], X [ iclass ][ 2 ], c = colors [ iclass ])
plt . 显示()