fetch_20newsgroups_vectorized#
- sklearn.datasets.fetch_20newsgroups_vectorized(*, subset='train', remove=(), data_home=None, download_if_missing=True, return_X_y=False, normalize=True, as_frame=False, n_retries=3, delay=1.0)#
加载并向量化20个新闻组数据集（分类）。
如果需要，下载数据集。
这是一个便捷函数；转换使用的是
CountVectorizer的默认设置。 对于更高级的使用（停用词过滤、n-gram提取等），请结合 fetch_20newsgroups与自定义的CountVectorizer、HashingVectorizer、TfidfTransformer或TfidfVectorizer。结果计数使用
sklearn.preprocessing.normalize进行归一化，除非normalize设置为False。类别
20
样本总数
18846
维度
130107
特征
实数
更多信息请参阅 用户指南 。
- Parameters:
- subset{‘train’, ‘test’, ‘all’}, 默认=’train’
选择要加载的数据集：’train’用于训练集，’test’用于测试集，’all’用于两者，顺序随机。
- removetuple, 默认=()
可以包含(‘headers’, ‘footers’, ‘quotes’)的任意子集。这些是将被检测并从新闻组帖子中移除的文本类型，防止分类器对元数据过拟合。
‘headers’移除新闻组头，’footers’移除看起来像签名的帖子末尾块，’quotes’移除看起来像引用其他帖子的行。
- data_homestr 或 path-like, 默认=None
指定数据集的下载和缓存文件夹。如果为None，所有scikit-learn数据存储在’~/scikit_learn_data’子文件夹中。
- download_if_missingbool, 默认=True
如果为False，如果数据不在本地则引发OSError，而不是尝试从源站点下载数据。
- return_X_ybool, 默认=False
如果为True，返回
(data.data, data.target)而不是Bunch对象。Added in version 0.20.
- normalizebool, 默认=True
如果为True，使用:func:
sklearn.preprocessing.normalize将每个文档的特征向量归一化为单位范数。Added in version 0.22.
- as_framebool, 默认=False
如果为True，数据是一个包含适当数据类型（数值、字符串或分类）列的pandas DataFrame。目标是一个pandas DataFrame或Series，取决于
target_columns的数量。Added in version 0.24.
- n_retriesint, 默认=3
遇到HTTP错误时的重试次数。
Added in version 1.5.
- delayfloat, 默认=1.0
重试之间的秒数。
Added in version 1.5.
- Returns:
- bunch
Bunch 字典类对象，具有以下属性。
- data: {sparse matrix, dataframe} of shape (n_samples, n_features)
输入数据矩阵。如果
as_frame为True，data是一个带有稀疏列的pandas DataFrame。- target: {ndarray, series} of shape (n_samples,)
目标标签。如果
as_frame为True，target是一个pandas Series。- target_names: list of shape (n_classes,)
目标类别的名称。
- DESCR: str
数据集的完整描述。
- frame: dataframe of shape (n_samples, n_features + 1)
仅当
as_frame=True时存在。带有data和target的pandas DataFrame。Added in version 0.24.
- (data, target)tuple if
return_X_yis True data和target的格式如上Bunch描述中所定义。Added in version 0.20.
- bunch
Examples
>>> from sklearn.datasets import fetch_20newsgroups_vectorized >>> newsgroups_vectorized = fetch_20newsgroups_vectorized(subset='test') >>> newsgroups_vectorized.data.shape (7532, 130107) >>> newsgroups_vectorized.target.shape (7532,)
