获取 20 个新闻组数据集 #

sklearn.datasets.fetch_20newsgroups(*, data_home=None, subset='train', categories=None, shuffle=True, random_state=42, remove=(), download_if_missing=True, return_X_y=False, n_retries=3, delay=1.0)[source]#

加载20个新闻组数据集（分类）的文件名和数据。

必要时下载。

类别	20
样本总数	18846
维度	1
特征	文本

在用户指南中了解更多信息。

参数：

data_homestr 或 path-like，默认为None

指定数据集的下载和缓存文件夹。如果为None，所有scikit-learn数据都存储在‘~/scikit_learn_data’子文件夹中。

subset{'train', 'test', 'all'}，默认为'train'

选择要加载的数据集：'train'表示训练集，'test'表示测试集，'all'表示两者，顺序已打乱。

categoriesarray-like，dtype=str，默认为None

如果为None（默认），则加载所有类别。如果非None，则列出要加载的类别名称（忽略其他类别）。

shufflebool，默认为True

是否打乱数据：对于那些假设样本独立同分布（i.i.d.）的模型（如随机梯度下降）来说可能很重要。

random_stateint，RandomState 实例或 None，默认为42

确定数据集混洗的随机数生成。传递一个整数以在多次函数调用中获得可重复的输出。参见词汇表。

removetuple，默认为()

可以包含 (‘headers’, ‘footers’, ‘quotes’) 的任何子集。这些都是将被检测并从新闻组帖子中删除的文本类型，防止分类器过度拟合元数据。

‘headers’ 删除新闻组标题，‘footers’ 删除帖子结尾看起来像签名的块，‘quotes’ 删除看起来像引用另一个帖子的行。

‘headers’ 遵循精确的标准；其他过滤器并不总是正确的。

download_if_missingbool，默认为True

如果为False，如果数据在本地不可用，则引发OSError，而不是尝试从源站点下载数据。

return_X_ybool，默认为False

如果为True，则返回(data.data, data.target)而不是Bunch对象。

在0.22版本中添加。

n_retriesint，默认为3

遇到HTTP错误时的重试次数。

在1.5版本中添加。

delayfloat，默认为1.0

两次重试之间的时间间隔（秒）。

在1.5版本中添加。

返回：

bunchBunch

类似字典的对象，具有以下属性。

data形状为 (n_samples,) 的列表: 要学习的数据列表。
target: 形状为 (n_samples,) 的ndarray: 目标标签。
filenames: 形状为 (n_samples,) 的列表: 数据位置的路径。
DESCR: str: 数据集的完整描述。
target_names: 形状为 (n_classes,) 的列表: 目标类别的名称。

(data, target)如果 return_X_y=True 则为元组

两个ndarray的元组。第一个包含形状为(n_samples, n_classes)的二维数组，其中每一行代表一个样本，每一列代表特征。第二个形状为(n_samples,)的数组包含目标样本。

在0.22版本中添加。

示例

>>> from sklearn.datasets import fetch_20newsgroups
>>> cats = ['alt.atheism', 'sci.space']
>>> newsgroups_train = fetch_20newsgroups(subset='train', categories=cats)
>>> list(newsgroups_train.target_names)
['alt.atheism', 'sci.space']
>>> newsgroups_train.filenames.shape
(1073,)
>>> newsgroups_train.target.shape
(1073,)
>>> newsgroups_train.target[:10]
array([0, 1, 1, 1, 0, 1, 1, 0, 0, 0])