8. 数据集加载工具#

The sklearn.datasets 包内嵌了一些小型玩具数据集，并提供了获取机器学习社区常用于在“真实世界”数据上基准测试算法的大规模数据集的辅助函数。

为了评估数据集规模（n_samples 和 n_features）的影响，同时控制数据的统计特性（通常是特征的相关性和信息量），也可以生成合成数据。

通用数据集API。 主要有三种数据集接口，可根据所需数据集类型用于获取数据集。

数据集加载器。 它们可用于加载小型标准数据集，具体见玩具数据集章节。

数据集获取器。 它们可用于下载和加载大型数据集，具体见真实世界数据集章节。

加载器和获取器函数都返回一个Bunch对象，该对象至少包含两个项：一个形状为 n_samples * n_features 的数组（键为 data，20newsgroups 除外），和一个长度为 n_samples 的 NumPy 数组（包含目标值，键为 target）。

Bunch 对象是一个字典，它将其键作为属性公开。有关 Bunch 对象的更多信息，请参阅Bunch。

对于几乎所有这些函数，也可以通过将 return_X_y 参数设置为 True，将输出限制为仅包含数据和目标值的元组。

数据集在其 DESCR 属性中也包含完整描述，有些还包含 feature_names 和 target_names。详细信息请参阅下文的数据集描述。

数据集生成函数。 它们可用于生成可控的合成数据集，具体见生成数据集章节。

这些函数返回一个元组 (X, y)，包含一个形状为 n_samples * n_features 的 NumPy 数组 X 和一个长度为 n_samples 的数组（包含目标值 y）。

此外，还有其他各种工具可用于加载其他格式或来自其他位置的数据集，具体见加载其他数据集章节。