load_iris#

sklearn.datasets.load_iris(*, return_X_y=False, as_frame=False)[Quelle]#

Lädt und gibt den Iris Datensatz (Klassifikation) zurück.

Der Iris-Datensatz ist ein klassischer und sehr einfacher Datensatz für die Mehrklassenklassifizierung.

Klassen	3
Stichproben pro Klasse	50
Gesamtanzahl Samples	150
Dimensionalität	4
Merkmale	real, positive

Lesen Sie mehr im Benutzerhandbuch.

Geändert in Version 0.20: Zwei fehlerhafte Datenpunkte wurden gemäß Fishers Arbeit korrigiert. Die neue Version ist dieselbe wie in R, aber nicht wie im UCI Machine Learning Repository.

Parameter:

return_X_ybool, Standard=False: Wenn True, wird ein Bunch-Objekt zurückgegeben, das (data, target) enthält. Weitere Informationen zu den Objekten data und target finden Sie unten.

Hinzugefügt in Version 0.18.
as_framebool, default=False: Wenn True, sind die Daten ein pandas DataFrame, einschließlich Spalten mit geeigneten dtypes (numerisch). Das Ziel ist ein pandas DataFrame oder eine Series, abhängig von der Anzahl der Zielspalten. Wenn return_X_y True ist, dann sind (data, target) pandas DataFrames oder Series wie unten beschrieben.

Hinzugefügt in Version 0.23.

Gibt zurück:

dataBunch

Dictionary-ähnliches Objekt mit den folgenden Attributen.

data{ndarray, dataframe} der Form (150, 4): Die Datenmatrix. Wenn as_frame=True, ist data ein pandas DataFrame.
target: {ndarray, Series} der Form (150,): Das Klassifizierungsziel. Wenn as_frame=True, ist target eine pandas Series.
feature_names: list: Die Namen der Datensatzspalten.
target_names: ndarray der Form (3, ): Die Namen der Zielklassen.
frame: DataFrame der Form (150, 5): Nur vorhanden, wenn as_frame=True. DataFrame mit data und target.

Hinzugefügt in Version 0.23.
DESCR: str: Die vollständige Beschreibung des Datensatzes.
filename: str: Der Pfad zum Speicherort der Daten.

Hinzugefügt in Version 0.20.

(data, target)tuple, wenn return_X_y True ist

Ein Tupel aus zwei ndarrays. Das erste enthält ein 2D-Array der Form (n_samples, n_features), wobei jede Zeile eine Stichprobe und jede Spalte die Merkmale darstellt. Das zweite ndarray der Form (n_samples,) enthält die Zielstichproben.

Hinzugefügt in Version 0.18.

Beispiele

Nehmen wir an, Sie interessieren sich für die Stichproben 10, 25 und 50 und möchten deren Klassennamen erfahren.

>>> from sklearn.datasets import load_iris
>>> data = load_iris()
>>> samples = [10, 25, 50]
>>> data.target[samples]
array([0, 0, 1])
>>> data.target_names[data.target[samples]]
array(['setosa', 'setosa', 'versicolor'], dtype='<U10')