深入浅出python机器学习_3.3.1_对数据集进行分析
from sklearn.datasets import load_winewine_dataset=load_wine()print('\n\n\n')print('代码运行结果')print('='*50)print('红酒数据集中的键:\n%s'% wine_dataset.keys())#print(wine_dataset)print('='*50)print('\n\n\n')
代码运行结果
==================================================
红酒数据集中的键:
dict_keys(['data', 'target', 'target_names', 'DESCR', 'feature_names'])
==================================================
print('\n\n\n')print('代码运行结果:')print('='*50)print(wine_dataset['data'])# 报错
# print('%s'%wine_dataset['data'].shape)print('\n\n\n')print(wine_dataset['data'].shape)print('\n\n\n')print('数据概况:{}'.format(wine_dataset['data'].shape))
代码运行结果:
==================================================
[[1.423e+01 1.710e+00 2.430e+00 ... 1.040e+00 3.920e+00 1.065e+03][1.320e+01 1.780e+00 2.140e+00 ... 1.050e+00 3.400e+00 1.050e+03][1.316e+01 2.360e+00 2.670e+00 ... 1.030e+00 3.170e+00 1.185e+03]...[1.327e+01 4.280e+00 2.260e+00 ... 5.900e-01 1.560e+00 8.350e+02][1.317e+01 2.590e+00 2.370e+00 ... 6.000e-01 1.620e+00 8.400e+02][1.413e+01 4.100e+00 2.740e+00 ... 6.100e-01 1.600e+00 5.600e+02]](178, 13)数据概况:(178, 13)
深入浅出python机器学习_3.3.1_对数据集进行分析相关推荐
- 深入浅出python机器学习_6.3.1_随机森林实例——要不要和相亲对象进一步发展
# 6.3.1 数据集的准备import pandas as pddata=pd.read_csv('adult.csv',header=None,index_col=False,names=['年龄 ...
- 深入浅出python机器学习_4.3.1_岭回归的原理 4.3.2_岭回归的参数调节
# 重启显示图加这句代码就好了 %matplotlib inlinefrom sklearn.linear_model import LinearRegressionfrom sklearn.mode ...
- 回归素材(part10)--深入浅出python机器学习
学习笔记,仅供参考,有错必纠 文章目录 深入浅出python机器学习 线性回归 基本原理 使用 L 2 L_2 L<
- 深入浅出python机器学习_8.3_神经网络实例_手写识别_MNIST数据集的使用
# 导入数据集获取工具 # from sklearn.datasets import fetch_mldata# 加载MNIST手写数字数据集 # mnist=fetch_mldata('MNIST ...
- 深入浅出python机器学习_7.1_支持向量机
%matplotlib inline# 支持向量机SVM的核函数import numpy as npimport matplotlib.pyplot as pltfrom sklearn import ...
- 深入浅出python机器学习_9.1_数据预处理_sklearn.preprocessing.StandardScaler MinMaxScaler RobustScaler Normalizer
# 使用StandardScaler进行数据预处理import numpyimport matplotlib.pyplot as pltfrom sklearn.datasets import mak ...
- 深入浅出Python机器学习4——广义线性模型
线性模型的基本概念 线性模型的一般公式 在机器学习领域,常用的线性模型包括线性回归.岭回归.套索回归.逻辑回归和线性SVC等. 假如我们有一条直线,其方程是 y = 0.5 ...
- 机器学习 python_送书 | 深入浅出Python机器学习
大家好,我是村长, 为了感谢您一直以来的关注与支持,给大家送了点福利! 以后每周三都会送免费送技术书!您有哪方面技术书籍的需求,也可以微信告诉我~~本周送的书籍如下,后台回复 送书 参与 书籍简介 ...
- 深入浅出python机器学习_9.1.5_通过数据预处理提高模型的准确率_MinMaxScaler
# 导入红酒数据集from sklearn.datasets import load_wine# 导入MLP神经网络from sklearn.neural_network import MLPClas ...
最新文章
- 七、内存优化(4)性能计数器
- mchain r语言_【揭秘】Mchain是长久稳定的项目吗?是不是骗钱的平台?做的人有多少?...
- c语言123报数,新人求解一道C语言题。。。麻烦了
- python设计模式9-装饰器模式
- Nmap 源代码学习四 软件简单使用
- 从程序员到项目经理(28):该死的结果导向(只看结果,不问过程到底行不行?)...
- DolphinPHP(海豚PHP)实战教程
- 微软雅黑字体的设计理念
- 【pandas】 之 Series、DataFrame 的拼接 —— pd.concat、df.append(df)
- 【Racket】安装与入门
- COM ---- Inside COM Note
- 【MyEclipse】配置代码格式化模版
- 荣耀9青春版能刷鸿蒙系统吗,华为荣耀9青春版刷机教程_荣耀9青春版强刷升级更新系统包...
- 「MySQL」- 基础增删改查
- 左外连接Left-Outer-Join的基于SQL,MapReduce,sparkRDD,sparkDataFrame以及spark SQL的实现案例及对比
- 大姐夫再冲世界首富,亚马逊HQ2的赢家已经初现。。。
- Ubuntu-的前世今生
- 干货!基于常识图谱和混合策略的情绪支持对话系统
- [IDEA]~idea快捷键及Eclipse和Idea快捷键对比
- UEditor编辑器修改ueditor.all.js后压缩的问题
热门文章
- qa 芯片测试_智能硬件产品的测试经验总结
- 【学习笔记】Python - NumPy
- 凭证 90000000 保存(帐户确定出错)
- OA系统常见的审批流程
- pp模块生产策略组-对于零部件计划策略
- F4IF_INT_TABLE_VALUE_REQUEST如何返回多于一个列
- SAP系统中发送消息的几种办法
- “腾讯看点”打响信息流的全面战争
- 拼购电商不是团购,但扎的的却是三四五线城市老百姓的心
- linux网卡内核文件在哪里,linux-2.6.35内核配置和网卡驱动添加