sklearn 生成随机数据

接触sklearn很久了,众所周知,sklearn包含了很多机器学习的方法,可以用几行代码实现丰富的机器学习过程.

sklearn.datasets里包含了大量的数据模板,比如大家熟悉的鸢尾花数据集,波士顿房价数据等.

今天要介绍的,是sklearn的另外一个神器功能–生成随机数据.

在学习机器学习的过程中,经常会要用到各种随机数据.sklearn提供了多种多样的随机数据集生成功能.

首先我们导入matplotlib包,方便对数据进行可视化

import matplotlib.pyplot as plt

回归模型随机数据

#make_regression生成回归模型数据
from sklearn.datasets import make_regression

#关键参数有n_samples（生成样本数），n_features（样本特征数），noise（样本随机噪音）和coef（是否返回回归系数
# X为样本特征，y为样本输出， coef为回归系数，共1000个样本，每个样本1个特征
X,y,coef=make_regression(n_samples=1000,n_features=1,noise=10,coef=True)

plt.scatter(X,y,c='b',s=3)
plt.plot(X,X*coef,c='r')
plt.xticks(()) #不显示 x
plt.yticks(()) #不显示 y
plt.show()

可以方便地设置一些参数,比如样本个数,特征数目,噪音数量(数据离散程度)等参数.

我们改变一下noise的值,调整一下数据的离散程度.

分类模型随机数据

#make_classification生成三元分类模型数据
from sklearn.datasets import make_classification

#关键参数有n_samples（生成样本数）， n_features（样本特征数）， n_redundant（冗余特征数）和n_classes（输出的类别数）
# X1为样本特征，Y1为样本类别输出， 共400个样本，每个样本2个特征，输出有3个类别，没有冗余特征，每个类别一个簇
X1,Y1=make_classification(n_samples=400,n_features=2,n_redundant=0,n_clusters_per_class=1,n_classes=3)
plt.scatter(X1[:,0],X1[:,1],c=Y1,s=3,marker='o')
plt.show()

聚类模型随机数据

#make_blobs生成聚类模型数据
from sklearn.datasets import make_blobs

#关键参数有n_samples（生成样本数）， n_features（样本特征数），centers(簇中心的个数或者自定义的簇中心)和cluster_std（簇数据方差，代表簇的聚合程度）
# X为样本特征，Y为样本簇类别， 共1000个样本，每个样本2个特征，共3个簇，簇中心在[-1,-1], [1,1], [2,2]， 簇方差分别为[0.4, 0.5, 0.2]
X,y=make_blobs(n_samples=1000,n_features=2,centers=[[-1,-1],[1,1],[2,2]],cluster_std=[0.4,0.5,0.2])
plt.scatter(X[:,0],X[:,1],c=y,s=3,marker='o')
plt.show()

分组正态分布混合数据

#make_gaussian_quantiles生成分组多维正态分布的数据
from sklearn.datasets import make_gaussian_quantiles

#关键参数有n_samples（生成样本数）， n_features（正态分布的维数），mean（特征均值）， cov（样本协方差的系数）， n_classes（数据在正态分布中按分位数分配的组数）
#生成2维正态分布，生成的数据按分位数分成3组，1000个样本,2个样本特征均值为1和2，协方差系数为2
X1,Y1=make_gaussian_quantiles(n_samples=1000,n_features=2,n_classes=3,mean=[1,2],cov=2)
plt.scatter(X1[:,0],X1[:,1],marker='o',c=Y1,s=3)
plt.show()