사이킷런의 내장 예제 데이터

 from sklearn.datasets import load_iris

 # iris 데이터 객체 선언
 iris_data = load_iris()

 print(type(iris_data))
 iris_data

 # 붓꽃 데이터 세트의 키들
 iris_data.keys()

dict_keys(['data', 'target', 'frame', 'target_names', 'DESCR', 'feature_names', 'filename'])

 

키는 보통 data, target, target_name, feature_names, DESCR로 구성돼 있습니다. 개별 키가 가리키는 의미는 다음과 같습니다.

• data는 피처의 데이터 세트를 가리킵니다.(정답값x)
• target은 분류 시 레이블 값, 회귀일 때는 숫자 결괏값 데이터 세트입니다..(정답값)
• target_names는 개별 레이블의 이름을 나타냅니다.
• feature_names는 피처의 이름을 나타냅니다.
• DESCR은 데이터 세트에 대한 설명과 각 피처의 설명을 나타냅니다.

 # iris_data.feature_names 확인
 print(type(iris_data.feature_names)) 

<class 'list'>

 print(len(iris_data.feature_names))
 print(iris_data.feature_names)

4

['sepal length (cm)', 'sepal width (cm)', 'petal length (cm)', 'petal width (cm)']

 # iris_data.target_names 확인
 print(type(iris_data.target_names))

<class 'numpy.ndarray'>

 print(iris_data.target_names.shape)
 print(iris_data.target_names)

(3,)

['setosa' 'versicolor' 'virginica']

 # iris_data.data 확인
 print(type(iris_data.data))

<class 'numpy.ndarray'>

 print(iris_data.data.shape)
 print(iris_data['data'])

(150, 4)

[[5.1 3.5 1.4 0.2]

[4.9 3. 1.4 0.2]

[4.7 3.2 1.3 0.2]

[4.6 3.1 1.5 0.2]

[5. 3.6 1.4 0.2]

[5.4 3.9 1.7 0.4]

................

[4.6 3.4 1.4 0.3]

[5. 3.4 1.5 0.2]

[4.4 2.9 1.4 0.2]

[4.9 3.1 1.5 0.1]

[6.3 2.5 5. 1.9]

[6.5 3. 5.2 2. ]

[6.2 3.4 5.4 2.3]

[5.9 3. 5.1 1.8]]

 # iris_data.target 확인
 print(type(iris_data.target))

<class 'numpy.ndarray'>

 print(iris_data.target.shape)
 print(iris_data.target)

(150,)

[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2]