sklearn.datasets.fetch_20newsgroups

sklearn.datasets.fetch_20newsgroups(*, data_home=None, subset='train', categories=None, shuffle=True, random_state=42, remove=(), download_if_missing=True, return_X_y=False)

[源码]

从20个新闻组数据集中加载文件名和数据（分类）。

如有必要，请下载。

类 20
样本总数 18846
维度 1
特征 text

在用户指南中阅读更多内容。

参数 说明
data_home optional, default: None
指定数据集的下载和缓存文件夹。 如果为None，则所有scikit-learn数据都存储在“〜/scikit_learn_data”子文件夹中。
subset ‘train’ or ‘test’, ‘all’, optional
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，并按随机顺序排序。
categories None or collection of string or unicode
如果None（默认），则加载所有类别。 如果不是None，则加载类别名称列表（忽略其他类别）。
shuffle bool, optional
是否对数据进行shuffle：对于假设样本是独立且均匀分布（i.i.d.）的模型（例如随机梯度下降）可能很重要。
random_state int, RandomState instance, default=None
确定用于数据集shuffle的随机数生成。 为多个函数调用传递可重复输出的int值。 请参阅术语表。
remove tuple
可以包含（“headers”，“footers”，“quotes”）的任何子集。 这些文本中的每一种都是将被检测到并从新闻组帖子中删除的文本，从而防止分类器过度拟合元数据。

“headers”删除新闻组页眉，“footers”删除帖子结尾处看起来像签名的块，“quotes”删除看起来像是引用另一篇文章的行。
“headers”遵循严格的标准；其他过滤器并不总是如此。
download_if_missing optional, True by default
如果为False，则在数据不在本地可用时引发IOError，而不是尝试从源站点下载数据。
return_X_y bool, default=False.
如果为True，则返回（data.data，data.target）而不是Bunch对象。

0.22版中的新功能。
返回值 说明
bunch Bunch
类字典对象，具有以下属性。
- data:list, length [n_samples]
要学习的数据列表。
- target: array, shape [n_samples]
目标标签。
filenames: list, length [n_samples]
数据位置的路径。
- DESCR: str
数据集的完整描述。
- target_names: list, length [n_classes]
目标类的名称。
(data, target) tuple if return_X_y=True
0.22版中的新功能。