20newsgroups資料集是用於文字分類、文字挖據和資訊檢索研究的國際標準資料集之一。資料集收集了大約20,000左右的新聞組文件，均勻分為20個不同主題的新聞組集合。一些新聞組的主題特別相似(e.g. comp.sys.ibm.pc.hardware/ comp.sys.mac.hardware)，還有一些卻完全不相關 (e.g misc.forsale /soc.religion.christian)。

20newsgroups資料集有三個版本。第一個版本19997是原始的並沒有修改過的版本。第二個版本bydate是按時間順序分為訓練(60%)和測試(40%)兩部分資料集，不包含重複文件和新聞組名（新聞組，路徑，隸屬於，日期）。第三個版本18828不包含重複文件，只有來源和主題。

在sklearn中，該模型有兩種裝載方式，第一種是sklearn.datasets.fetch_20newsgroups，返回一個可以被文字特徵提取器（如sklearn.feature_extraction.text.CountVectorizer）自定義引數提取特徵的原始文字序列；第二種是sklearn.datasets.fetch_20newsgroups_vectorized，返回一個已提取特徵的文字序列，即不需要使用特徵提取器。