机器学习、模式识别的目的就是从样本数据上自动建立数学模型，将模型用于新的数据以自动解决实际问题。因此，这里有两个东西是我们比较关心的，一个是模型，另外一个样本数据。现在很多文章都在讨论各种算法，大都可以归为模型的建立过程，今天，本博文讲另外一个重要组成部分，样本数据获取方法（以sklearn为工具）。

通过Sklearn获取的样本数据格式有三种形式：
①图像样本格式
②样本数据自主生成格式和svmlight加载格式
③Toy 数据集格式、现实世界使用格式和从mldata.org获取的格式

1、toy 数据集
由一些小批量经典数据集组成，无需通过网络下载，直接可以加载使用，非常方便。
API接口如下表所示：

load_boston([return_X_y])            #加载波士顿房价数据；用于回归问题  
load_iris([return_X_y])              #加载iris 数据集；用于分类问题  
load_diabetes([return_X_y])          #加载糖尿病数据集；用于回归问题  
load_digits([n_class, return_X_y])   #加载手写字符集；用于分类问题   
load_linnerud([return_X_y])          #加载linnerud 数据集；用于多元回归问题  

这些数据集可用于快速验证算法性能，但是由于数据集较小，所得结论并不一定适用于现实条件。

对于digits数据集：

#加载数据集，显示0
from sklearn.datasets import load_digits  
digits = load_digits()  
data=digits.data  
import matplotlib.pyplot as plt   
#plt.gray()   
#plt.imshow(digits.images[0])  
plt.matshow(digits.images[0])   
plt.show()

2.1 示例代码

from sklearn.datasets import load_sample_image  
img=load_sample_image('flower.jpg')  
import matplotlib.pyplot as plt  
plt.imshow(img)  
plt.show()  

1、make_blobs

import sklearn.datasets
import matplotlib.pyplot as plt  
X1, Y1=sklearn.datasets.make_blobs(n_samples=100, n_features=2,centers=3)
plt.scatter(X1[:, 0], X1[:, 1], marker='o', c=Y1)
plt.show()

2、make_classification

sklearn.datasets.make_classification(n_samples=100, n_features=20, n_informative=2, n_redundant=2,  
                    n_repeated=0, n_classes=2, n_clusters_per_class=2, weights=None,  
                    flip_y=0.01, class_sep=1.0, hypercube=True,shift=0.0, scale=1.0,   
                    shuffle=True, random_state=None)  

random_state : 确定每次生成的数据都一致
这里我们用make_classification生成三元分类模型数据。几个关键参数有n_samples（生成样本数）， n_features（样本特征数）， n_redundant（冗余特征数）和n_classes（输出的类别数），例子代码如下：

#coding:utf-8
import sklearn.datasets
import matplotlib.pyplot as plt  
from sklearn.datasets import make_classification
# X1为样本特征，Y1为样本类别输出， 共400个样本，每个样本2个特征，输出有3个类别，没有冗余特征，每个类别一个簇
X1, Y1 = make_classification(n_samples=400, n_features=2, n_redundant=0,
                             n_clusters_per_class=1, n_classes=3)
plt.scatter(X1[:, 0], X1[:, 1], marker='o', c=Y1)
plt.show()

3、make_gaussian_quantiles和make_hastie_10_2

sklearn.datasets.make_gaussian_quantiles(mean=None, cov=1.0, n_samples=100, n_features=2, n_classes=3,  
                    shuffle=True, random_state=None)  

②利用Hastie算法，生成2分类数据

#coding:utf-8
import matplotlib.pyplot as plt  
from sklearn.datasets import make_gaussian_quantiles  
from sklearn.datasets import make_hastie_10_2  
X1, Y1 = make_gaussian_quantiles(n_samples=1000,n_features=2, n_classes=4)  
plt.scatter(X1[:, 0], X1[:, 1], marker='o', c=Y1)  
plt.show()
X1, Y1 = make_hastie_10_2(n_samples=1000)  
plt.scatter(X1[:, 0], X1[:, 1], marker='o', c=Y1)  

4、make_regression

 （回归模型随机数据）

import matplotlib.pyplot as plt 
from sklearn.datasets import make_regression
# X为样本特征，y为样本输出， coef为回归系数，共1000个样本，每个样本1个特征
X, y, coef =make_regression(n_samples=1000, n_features=1,noise=10, coef=True)
# 画图
plt.scatter(X, y,  color='black')
plt.plot(X, X*coef, color='blue',linewidth=3)
plt.show() 

5、make_circles和make_moons

sklearn.datasets.make_circles(n_samples=100, shuffle=True, noise=None, random_state=None, factor=0.8) 
sklearn.datasets.make_moons(n_samples=100, shuffle=True, noise=None, random_state=None) 

from sklearn.datasets import make_circles  
from sklearn.datasets import make_moons  
import matplotlib.pyplot as plt  
import numpy as np  
## 分成1x2，占用第一个，即第一行第一列的子图
plt.subplot(121)   
x1,y1=make_circles(n_samples=500,factor=0.5,noise=0.1)   
plt.scatter(x1[:,0],x1[:,1],marker='o',c=y1)  
plt.subplot(122)  
x1,y1=make_moons(n_samples=500,noise=0.1)    
plt.scatter(x1[:,0],x1[:,1],marker='o',c=y1)  
plt.show()