scikit-learn文档中的数据生成器

目录

1. make_classification:

2. make_regression:

3. make_blobs:

4.?make_moons:

5.make_circles?

6. make_sparse_coded_signal:

---

1. 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。

from sklearn.datasets import make_classification

X, y = make_classification(n_samples=1000, n_features=20, n_classes=3)

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。

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()

?

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。

2. make_regression:

生成一个随机的回归问题数据集，可以设置特征数量、噪声等级等。示例：

from sklearn.datasets import make_regression

X, y = make_regression(n_samples=100, n_features=2)

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。

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()

?

3. make_blobs:

生成一组聚类问题的数据集，可以设置聚类数量、中心点数量、特征数量等。示例：

from sklearn.datasets import make_blobs

X, y = make_blobs(n_samples=300, centers=4, n_features=2)

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。

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()

?

4.?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

X2, y2 = make_moons(n_samples=1000, noise=0.1)

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。

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()

?

?noise越小，数据的分类越明显。

5.make_circles?

from sklearn.datasets import make_circles

X1, y1 = make_circles(n_samples=1000, noise=0.05)

参数和上面一样

from sklearn.datasets import make_circles

fig, ax = plt.subplots(1, 3)
fig.set_size_inches(9, 3)

X, Y = make_circles(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_circles(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_circles(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()

?

6. make_sparse_coded_signal:

生成一个稀疏编码信号数据集，用于稀疏信号恢复问题。示例：

from sklearn.datasets import make_sparse_coded_signal

X, y, w = make_sparse_coded_signal(n_samples=100, n_components=20)

?make_sparse_coded_signal的主要参数包括：

• n_samples（int）：生成的样本数量。默认值为 100。

• n_components（int）：生成的信号的原子数量（即特征数）。默认值为 10。

• n_features（int）：样本的特征数。默认值为 100。

• n_nonzero_coefs（int）：每个样本中非零系数的数量。默认值为 10。

• random_state（int或RandomState实例，可选）：用于随机数生成器的种子。默认值为 None。

• normalize_dictionary（boolean）：是否对生成的字典进行归一化处理。默认值为 True。

该函数返回三个值：

• X：生成的稀疏信号数据集，包含了 n_samples 个样本和 n_features 个特征。

• y：样本的目标值或标签。

• dictionary：用于生成信号的字典或基向量。

from sklearn.datasets import make_sparse_coded_signal
import matplotlib.pyplot as plt

X, y, dictionary = make_sparse_coded_signal(n_samples=100, n_components=20, n_features=100, n_nonzero_coefs=5, random_state=42)

plt.scatter(X[:, 0], X[:, 1], marker="o", c=X.sum(axis=1), cmap='viridis', s=25)  # 使用样本特征值的和来作为颜色的映射
plt.colorbar()  # 添加颜色条
plt.show()

?

参考【scikit-learn基础】--『数据加载』之样本生成器 - 知乎 (zhihu.com)