|
除了内置的数据集,scikit-learn还提供了随机样本的生成器。
通过这些生成器函数,可以生成具有特定特性和分布的随机数据集,以帮助进行机器学习算法的研究、测试和比较。
目前,scikit-learn库(v1.3.0版)中有20个不同的生成样本的函数。
本篇重点介绍其中几个具有代表性的函数。
1. 分类聚类数据样本
分类和聚类是机器学习中使用频率最高的算法,创建各种相关的样本数据,能够帮助我们更好的试验算法。
1.1. make_blobs
这个函数通常用于可视化分类器的学习过程,它生成由聚类组成的非线性数据集。- import matplotlib.pyplot as plt
- from sklearn.datasets import make_blobs
- X, Y = make_blobs(n_samples=1000, centers=5)
- plt.scatter(X[:, 0], X[:, 1], marker="o", c=Y, s=25)
- plt.show()
复制代码
上面的示例生成了1000个点的数据,分为5个类别。
make_blobs的主要参数包括:
- n_samples:生成的样本数。
- n_features:每个样本的特征数。通常为2,表示我们生成的是二维数据。
- centers:聚类的数量。即生成的样本会被分为多少类。
- cluster_std:每个聚类的标准差。这决定了聚类的形状和大小。
- shuffle:是否在生成数据后打乱样本。
- random_state:随机数生成器的种子。这确保了每次运行代码时生成的数据集都是一样的。
1.2. make_classification
这是一个用于生成复杂二维数据的函数,通常用于可视化分类器的学习过程或者测试机器学习算法的性能。- import matplotlib.pyplot as plt
- from sklearn.datasets import make_classification
- X, Y = make_classification(n_samples=100, n_classes=4, n_clusters_per_class=1)
- plt.scatter(X[:, 0], X[:, 1], marker="o", c=Y, s=25)
- plt.show()
复制代码
可以看出它生成的各类数据交织在一起,很难做线性的分类。
make_classification的主要参数包括:
- n_samples:生成的样本数。
- n_features:每个样本的特征数。这个参数决定了生成的数据集的维度。
- n_informative:具有信息量的特征的数量。这个参数决定了特征集中的特征有多少是有助于分类的。
- n_redundant:冗余特征的数量。这个参数决定了特征集中的特征有多少是重复或者没有信息的。
- random_state:随机数生成器的种子。这确保了每次运行代码时生成的数据集都是一样的。
1.3. make_moons
和函数名称所表达的一样,它是一个用于生成形状类似于月牙的数据集的函数,通常用于可视化分类器的学习过程或者测试机器学习算法的性能。- from sklearn.datasets import make_moons
- fig, ax = plt.subplots(1, 3)
- fig.set_size_inches(9, 3)
- X, Y = make_moons(noise=0.01, n_samples=1000)
- ax[0].scatter(X[:, 0], X[:, 1], marker="o", c=Y, s=25)
- ax[0].set_title("noise=0.01")
- X, Y = make_moons(noise=0.05, n_samples=1000)
- ax[1].scatter(X[:, 0], X[:, 1], marker="o", c=Y, s=25)
- ax[1].set_title("noise=0.05")
- X, Y = make_moons(noise=0.5, n_samples=1000)
- ax[2].scatter(X[:, 0], X[:, 1], marker="o", c=Y, s=25)
- ax[2].set_title("noise=0.5")
- plt.show()
复制代码
noise越小,数据的分类越明显。
make_moons的主要参数包括:
- n_samples:生成的样本数。
- noise:在数据集中添加的噪声的标准差。这个参数决定了月牙的噪声程度。
- random_state:随机数生成器的种子。这确保了每次运行代码时生成的数据集都是一样的。
2. 回归数据样本
除了分类和聚类,回归是机器学习的另一个重要方向。
scikit-learn同样也提供了创建回归数据样本的函数。- from sklearn.datasets import make_regression
- fig, ax = plt.subplots(1, 3)
- fig.set_size_inches(9, 3)
- X, y = make_regression(n_samples=100, n_features=1, noise=20)
- ax[0].scatter(X[:, 0], y, marker="o")
- ax[0].set_title("noise=20")
- X, y = make_regression(n_samples=100, n_features=1, noise=10)
- ax[1].scatter(X[:, 0], y, marker="o")
- ax[1].set_title("noise=10")
- X, y = make_regression(n_samples=100, n_features=1, noise=1)
- ax[2].scatter(X[:, 0], y, marker="o")
- ax[2].set_title("noise=1")
- plt.show()
复制代码
通过调节noise参数,可以创建不同精确度的回归数据。
make_regression的主要参数包括:
- n_samples:生成的样本数。
- n_features:每个样本的特征数。通常为一个较小的值,表示我们生成的是一维数据。
- noise:噪音的大小。它为数据添加一些随机噪声,以使结果更接近现实情况。
3. 流形数据样本
所谓流形数据,就是S形或者瑞士卷那样旋转的数据,可以用来测试更复杂的分类模型的效果。
比如下面的make_s_curve函数,就可以创建S形的数据:- from sklearn.datasets import make_s_curve
- X, Y = make_s_curve(n_samples=2000)
- fig, ax = plt.subplots(subplot_kw={"projection": "3d"})
- fig.set_size_inches((8, 8))
- ax.scatter(X[:, 0], X[:, 1], X[:, 2], c=Y, s=60, alpha=0.8)
- ax.view_init(azim=-60, elev=9)
- plt.show()
复制代码
4. 总结
本文介绍的生成样本数据的函数只是scikit-learn库中各种生成器的一部分,
还有很多种其他的生成器函数可以生成更加复杂的样本数据。
所有的生成器函数请参考文档:
https://scikit-learn.org/stable/modules/classes.html#samples-generator
来源:https://www.cnblogs.com/wang_yb/p/17884401.html
免责声明:由于采集信息均来自互联网,如果侵犯了您的权益,请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容,谢谢合作! |
本帖子中包含更多资源
您需要 登录 才可以下载或查看,没有账号?立即注册
x
|