ML：监督学习数据集的基本结构

从机器学习建模角度看，一个监督学习数据集通常至少包含以下两部分核心数据：

• 特征矩阵（feature matrix）

• 标签数组（target array）

为了便于理解数据含义，许多数据集还会提供附加说明信息，例如：

• 特征名称（feature names）

• 类别名称（target names）

• 数据说明（dataset description）

下面分别介绍这些概念，并使用 Scikit-Learn 自带的鸢尾花数据集（Iris dataset）进行说明。

一、特征矩阵

1、基本概念

在机器学习中，每个样本通常由多个特征（feature）描述。

例如，一个样本可能包含：

• 长度

• 宽度

• 重量

• 温度

如果一个数据集中有 n 个样本，每个样本有 m 个特征，那么这些特征就会组成一个二维矩阵：

]

其中，每一行表示一个样本，每一列表示一个特征。

因此矩阵维度为：

(n_samples, n_features)

即：

(样本数, 特征数)

特征矩阵通常记为 X，它是机器学习模型的输入数据。

在实际应用中，特征矩阵通常来自数据表（如 CSV、Excel）、数据库查询结果、传感器采集数据，或通过特征工程从原始数据中计算得到。

2、鸢尾花数据集示例

鸢尾花数据集包含 150 个样本，每个样本包含 4 个特征：

• 花萼长度（sepal length (cm)）

• 花萼宽度（sepal width (cm)）

• 花瓣长度（petal length (cm)）

• 花瓣宽度（petal width (cm)）

使用 Scikit-Learn 查看特征矩阵：

print(iris.data[:3])     # 前三个样本的特征

示例输出：

 [4.7 3.2 1.3 0.2]]

iris.data 就是特征矩阵（通常是二维 ndarray 数组），(150, 4) 表示 150 个样本，每个样本包含 4 个特征。

二、标签数组

1、基本概念

在监督学习中，每个样本通常对应一个标签（label）或目标值（target）。例如：

y = [0,0,0,1,1,2,...]

其中每个元素表示一个样本所属的类别。

标签数组通常记为 y，其形状通常为：

(n_samples,)

即一维数组。

训练模型时常见形式：

model.fit(X, y)

其中，X 为特征矩阵，y 为标签数组。

标签数组之所以称为 target array，是因为这些值表示模型需要预测或学习的目标变量（target variable），模型训练的目标就是根据特征矩阵 X 去逼近这些目标值。

2、鸢尾花数据集示例

鸢尾花数据集中共有 3 种鸢尾花的类别。

查看标签数组：

print(iris.target[95:105])   # 10 个样本的标签

示例输出：

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

iris.target 表示标签数组，每个数字代表一种鸢尾花的类别编号。

在监督学习中，特征矩阵 X 与标签数组 y 的样本顺序必须一一对应，即：第 i 行特征对应第 i 个标签。

三、特征名称

1、基本概念

特征矩阵中的每一列表示一个特征，但这些特征通常具有具体含义。

例如：

• 身高

• 体重

• 年龄

为了说明这些特征的含义，数据集通常提供特征名称（feature names）。其结构通常是一个字符串列表：

['feature1', 'feature2', ...]

特征名称可以帮助我们理解数据的实际意义。

2、鸢尾花数据集示例

查看鸢尾花数据集的特征名称：

print(iris.feature_names)

输出示例：

 'petal width (cm)']

iris.feature_names 给出了每个特征的名称，这些名称与 iris.data 的列顺序一一对应。

例如：

data[:,1] → sepal width

四、类别名称

1、基本概念

在分类问题中，标签通常表示类别（class）。

为了便于计算，机器学习算法通常使用“整数标签”表示类别：

0,1,2,...

但这些数字本身没有语义，因此数据集通常会提供类别名称（target names）。

2、鸢尾花数据集示例

查看类别名称：

print(iris.target_names)

输出示例：

['setosa' 'versicolor' 'virginica']

iris.target_names 表示类别名称，iris.target 中的数字与这些名称对应。例如：

print(iris.target_names[label])         # 对应的类别名称

示例输出：

setosa

说明：label 为类别编号，target_names[label] 可以得到类别名称。

五、数据说明

1、基本概念

一个数据集通常还包含背景说明信息，例如：

• 数据来源

• 数据收集方式

• 样本数量

• 特征解释

• 类别说明

这些信息对于理解数据非常重要，因此很多机器学习数据集都会提供数据说明（dataset description）。

2、鸢尾花数据集示例

查看数据说明：

print(iris.DESCR[:200])   # 显示前200个字符

iris.DESCR 是数据集说明文本（字符串），内容通常较长，因此只显示前 200 个字符。其中通常包括：

• 数据集来源

• 特征说明

• 数据规模

六、数据集结构的整体关系

一个典型的机器学习数据集通常可以表示为：

      └── 解释数据来源与结构

在 Scikit-Learn 的数据集中，这些内容通常分别对应：

数据说明        → DESCR

小结

在监督学习数据集中，最核心的结构包括特征矩阵与标签数组：特征矩阵描述每个样本的输入变量，标签数组描述模型需要学习的目标。同时，为了帮助理解数据含义，数据集通常还会提供特征名称、类别名称以及数据说明。在 Scikit-Learn 中，这些信息通常分别对应 data、target、feature_names、target_names 和 DESCR 等字段，它们共同构成了一个完整的数据集结构。

“点赞有美意，赞赏是鼓励”