fetch_rcv1#

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)[source]#

加载 RCV1 多标签数据集（分类）。

如果需要则下载。

版本：RCV1-v2，向量，完整集，主题多标签。

类别

103

总样本

804414

维度

47236

特征

实数，介于 0 和 1 之间

更多信息请阅读用户指南。

0.17 版新增。

参数:
data_homestr 或 path-like，默认值=None

为数据集指定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'}，默认值='all'

选择要加载的数据集：'train' 用于训练集（23149 个样本），'test' 用于测试集（781265 个样本），'all' 用于两者，如果 shuffle 为 False，则训练样本在前。这遵循官方的 LYRL2004 时间划分。

download_if_missingbool，默认值=True

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

random_stateint, RandomState 实例或 None，默认值=None

决定数据集混洗的随机数生成。传递一个 int 以在多次函数调用中获得可重现的输出。参见术语表。

shufflebool，默认值=False

是否混洗数据集。

return_X_ybool，默认值=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，请参阅下文。

0.20 版新增。

n_retriesint，默认值=3

遇到 HTTP 错误时的重试次数。

1.5 版新增。

delayfloat，默认值=1.0

两次重试之间的秒数。

1.5 版新增。

返回:
datasetBunch

类似字典的对象。仅当 return_X_y 为 False 时返回。dataset 具有以下属性：

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

    该数组有 0.16% 的非零值。将为 CSR 格式。

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

    每个样本在其类别中值为 1，其他类别中值为 0。该数组有 3.15% 的非零值。将为 CSR 格式。

  • sample_idndarray，形状为 (804414,)，dtype=np.uint32，

    每个样本的识别号，按 dataset.data 中的顺序排列。

  • target_namesndarray，形状为 (103,)，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)tuple

一个元组，由上述 dataset.data 和 dataset.target 组成。仅当 return_X_y 为 True 时返回。

0.20 版新增。

示例

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