加载 RCV1 数据集

sklearn.datasets.fetch_rcv1(*, data_home=None, subset='all', download_if_missing=True, random_state=None, shuffle=False, return_X_y=False, n_retries=3, delay=1.0)

加载 RCV1 多标签数据集（分类）。

必要时下载。

版本：RCV1-v2，向量，完整集，主题多标签。

类别	103
样本总数	804414
维度	47236
特征	实数，介于 0 和 1 之间

更多信息请参见 用户指南。

0.17 版本新增。

参数:

data_homestr 或 path-like 对象，默认为 None

指定数据集的另一个下载和缓存文件夹。默认情况下，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 'all'

选择要加载的数据集：'train' 表示训练集（23149 个样本），'test' 表示测试集（781265 个样本），'all' 表示两者都包含，如果 shuffle 为 False，则训练样本排在前面。这遵循官方 LYRL2004 时间顺序划分。

download_if_missingbool，默认为 True

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

random_stateint、RandomState 实例或 None，默认为 None

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 术语表。

shufflebool，默认为 False

是否混洗数据集。

return_X_ybool，默认为 False

如果为 True，则返回 (dataset.data, dataset.target) 而不是 Bunch 对象。有关 dataset.data 和 dataset.target 对象的更多信息，请参见下文。

0.20 版本新增。

n_retriesint，默认为 3

遇到 HTTP 错误时的重试次数。

1.5 版本新增。

delayfloat，默认为 1.0

两次重试之间的秒数。

1.5 版本新增。

返回:

datasetBunch

字典类对象。仅当 return_X_y 为 False 时返回。dataset 具有以下属性

• data形状为 (804414, 47236) 的稀疏矩阵，dtype=np.float64

  该数组的非零值占比为 0.16%。将采用 CSR 格式。

• target形状为 (804414, 103) 的稀疏矩阵，dtype=np.uint8

  每个样本在其类别中值为 1，在其他类别中值为 0。该数组的非零值占比为 3.15%。将采用 CSR 格式。

• sample_id形状为 (804414,) 的 ndarray，dtype=np.uint32

  每个样本的识别号，按 dataset.data 中的顺序排列。

• target_names形状为 (103,) 的 ndarray，dtype=object

  每个目标（RCV1 主题）的名称，按 dataset.target 中的顺序排列。

• DESCRstr

  RCV1 数据集的描述。

(data, target)元组

由 dataset.data 和 dataset.target 组成的元组，如上所述。仅当 return_X_y 为 True 时返回。

0.20 版本新增。

示例

>>> from sklearn.datasets import fetch_rcv1
>>> rcv1 = fetch_rcv1()
>>> rcv1.data.shape
(804414, 47236)
>>> rcv1.target.shape
(804414, 103)