make_blobs() and plt.scatter()

最新推荐文章于 2025-06-23 15:17:06 发布
最新推荐文章于 2025-06-23 15:17:06 发布
阅读量373 收藏
点赞数
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/longqiancao1/article/details/97008229
本文介绍如何利用sklearn的make_blobs函数生成用于聚类的数据集，并使用matplotlib进行可视化展示。通过调整参数如样本数量、特征数、类别数等，可以灵活地创建适合不同场景的数据集。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

eg.

from sklearn.datasets import make_blobs
from sklearn.neighbors import KNeighborsClassifier
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split

data = make_blobs(n_samples=200, centers=2, random_state=8)
X, y = data    #将data赋值给X, y
plt.scatter(X[:,0], X[:,1], c=y, cmap=plt.cm.spring, edgecolor='k')
plt.show()

--------------------------------------------

make_blobs()

make_blobs()函数用于生成一个样本数量, 为聚类产生数据集。

sklearn.datasets.make_blobs(n_samples, n_features, centers, cluster_std, center_box, shuffle, random_state)

  • n_samples：待生成的样本的总数。
  • n_features：每个样本的特征数，默认值是2。
  • centers：类别数，默认值3。
  • cluster_std：数据集的标准差，浮点数或者浮点数序列，默认值1.0。
  • center_box：中心确定之后的数据边界，默认值(-10.0, 10.0)
  • shuffle ：洗乱，默认值是True
  • random_state:官网解释是随机生成器的种子

plt.scatter()

plt.scatter()用于绘制散点图

函数的原型：

matplotlib.pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, vmin=None, vmax=None, alpha=None, linewidths=None, verts=None, edgecolors=None, *, data=None, **kwargs)
 

  • x，y：数组，散点图的数据点
  • c: color
  • marker: 标记的样式
  • cmap: Colormap实体或者是一个colormap的名字，cmap仅仅当c是一个浮点数数组的时候才使用。如果没有申明就是image.cmap
  • norm: Normalize实体来将数据亮度转化到0-1之间，也是只有c是一个浮点数的数组的时候才使用。如果没有申明，就是默认为colors.Normalize。

 

在感知机模型中，其中有一条语句如下，x，y后面跟随一个属性，则表示只对该属性进行切片。（其中'sepal length' 是df的一个属性）

plt.scatter(df[:50]['sepal length'], df[:50]['sepal width'], label='0') #前50个数据
#df[:50]['sepal length'],只对'sepal length'这个标量进行切分

 

姝果荔
关注
sklearn中的make_blobs的用法
qq_40107571的博客
12-07 395
sklearn中的make_blobs的用法
【Python 中的 plt.scatter 函数详解】
武帝为此的博客
01-31 1万+
散点图是一种有效的方式来可视化数据点之间的关系，以及它们在平面上的分布。是 Matplotlib 中的一个函数，用于绘制散点图。它可以帮助我们观察两个变量之间的关系，以及它们的分布情况。通常，一个散点图由多个点组成，每个点代表一个数据样本，横轴表示一个变量，纵轴表示另一个变量。通过观察散点图，我们可以快速了解数据的分布、聚类情况和异常值等信息。
python线性回归算法-相关型数据分析
奔跑的90后博客
03-30 1733
python线性回归算法——自变量x与输出变量y存在线下关系时 目录 python线性回归算法——自变量x与输出变量y存在线下关系时 用途范围：线下相关的数据进行分析预测时候 核心公式​ python代码实现 拟合效果 ​ 用途范围：线下相关的数据进行分析预测时候 一元线性拟合 y=a+bx，根据最小二乘法有 其中a、b通过最小二乘法求得为： 核心公式 ...
plt.scatter各参数详解
qq_35385463的博客
06-29 7135
1、scatter函数原型 2、其中散点的形状参数marker如下： 在这里插入图片描述 3、其中颜色参数c如下: 4、基本的使用方法如下： [python] view plain copy #导入必要的模块 import numpy as np import matplotlib.pyplot as plt #产生测试数据 x = np.arange(1,10) y = x fig = ...
plt.scatter
最新发布
m0_69648014的博客
06-23 405
是 Matplotlib 中用于绘制散点图的函数，通过指定 x 和 y 坐标数据，可以展示数据的分布情况。
PYthon——plt.scatter各参数详解
ii偏闹i的博客
07-15 1263
1、scatter函数原型 2、其中散点的形状参数marker如下： 3、其中颜色参数c如下: 4、基本的使用方法如下： [python]view plaincopy #导入必要的模块 importnumpyasnp importmatplotlib.pyplotasplt #产生测试数据 x=np.arange(1,10) ...
完成填空 import numpy as np import matplotlib.pyplot as plt from sklearn.cluster import KMeans from sklearn.datasets import make_blobs # 生成样例数据集 300条数据，4个类 std=2 data, labels = make_blobs( ) # 数据可视化 plt.scatter(data[:, 0], data[:, 1], s=50) plt.title("原始数据分布") plt.show() # K-means聚类分析 kmeans = #DBSCAN聚类分析 # 可视化聚类结果 plt.scatter(data[:, 0], data[:, 1], c=, s=50, cmap='viridis') #画出类中心 plt.scatter( , c='red', marker='x', s=200) plt.title("K-means聚类结果") plt.show() # 可视化聚类结果 plt.scatter(data[:, 0], data[:, 1], c=, s=50, cmap='viridis') #画出类中心 plt.scatter( , c='red', marker='x', s=200) plt.title("DBSCAN聚类结果") plt.show()
05-31
完成代码如下： ...plt.scatter(data[dbscan.core_sample_indices_][:, 0], data[dbscan.core_sample_indices_][:, 1], c='red', marker='x', s=200) # 画出核心点 plt.title("DBSCAN聚类结果") plt.show() ```
x,y =make_blobs() plt.scatter(x[:,0], x[:,1], c = y,s = 15)
06-07
其中，make_blobs() 函数可以生成指定数量、指定中心点数量和方差的随机聚类数据。x 是一个二维数组，包含了所有数据点的横纵坐标信息；y 是一个一维数组，包含了所有数据点的分类信息，可以用不同的颜色来表示不同...
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei'] import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import make_circles, make_blobs from sklearn.cluster import KMeans, SpectralClustering from sklearn.metrics import normalized_mutual_info_score, adjusted_rand_score, silhouette_score # 生成数据：2个环形簇 + 1个球形簇 X_circles, _ = make_circles(n_samples=300, factor=0.5, noise=0.05, random_state=42) X_blobs, _ = make_blobs(n_samples=100, centers=[[1.5, 1.5]], cluster_std=0.2, random_state=42) X = np.vstack([X_circles, X_blobs]) # 生成真实标签 true_labels = np.concatenate([np.zeros(150), np.ones(150), 2 * np.ones(100)]) # 可视化原始数据 plt.scatter(X[:, 0], X[:, 1], s=10) plt.title("原始数据") plt.show() # 谱聚类 spectral = SpectralClustering(n_clusters=3, affinity='rbf', gamma=30, random_state=42) spectral_labels = spectral.fit_predict(X) plt.scatter(X[:, 0], X[:, 1], c=spectral_labels, s=10, cmap='viridis') plt.title("Spectral Clustering") plt.show() # K-means聚类 kmeans = KMeans(n_clusters=3, random_state=42) kmeans_labels = kmeans.fit_predict(X) plt.scatter(X[:, 0], X[:, 1], c=kmeans_labels, s=10, cmap='viridis') plt.title("K-means Clustering") plt.show() # 评估指标 kmeans_nmi = normalized_mutual_info_score(true_labels, kmeans_labels) kmeans_ari = adjusted_rand_score(true_labels, kmeans_labels) kmeans_silhouette = silhouette_score(X, kmeans_labels) spectral_nmi = normalized_mutual_info_score(true_labels, spectral_labels) spectral_ari = adjusted_rand_score(true_labels, spectral_labels) spectral_silhouette = silhouette_score(X, spectral_labels) # 打印对比结果 print("| 指标 | K-means | 谱聚类 |") print("|---------------|---------|--------|") print(f"| NMI | {kmeans_nmi:.3f} | {spectral_nmi:.3f} |") print(f"| ARI | {kmeans_ari:.3f} | {spectral_ari:.3f} |") print(f"| 轮廓系数 | {kmeans_silhouette:.3f} | {spectral_silhouette:.3f} |")该代码给出的指标不理想，但是图化的很好，有没有办法修改一下
03-30
X_blobs, _ = make_blobs(n_samples=100, centers=[[1.5, 1.5]], cluster_std=0.2, random_state=42) X = np.vstack([X_circles, X_blobs]) X = StandardScaler().fit_transform(X) # 关键修改：标准化 true_labels...
from sklearn.datasets import make_blobs from sklearn.cluster import AgglomerativeClustering import numpy as np import matplotlib.pyplot as plt from itertools import cycle centers=[[1,1],[-1,-1],[1,-1]] n_samples = 3000 X, lables_true = make_blobs(n_samples = n_samples, centers= centers, cluster_std = 0.6,random_state = 0) linkages = ['ward', 'average', 'complete','single']\ for i, v in enumerate(linkage): n_clusters_=3 #构建凝聚层次类模型，参数linkage依次取值linkages中的各个元素 , n_clusters=n_clusters,其他参数默认 ac= #训练数据集 #获取聚类数据在分类，赋值给lables lables= #结果数据可视化 #使用subplot构建2行2列的图画布局 plt.subplot #绘制单个层次聚类结果图 plt.scatter plt.title('%s,%d'%(v,ac.n_clusters)) #思考标题中两个值分别表示什么意义 plt.show()
05-24
这段代码使用Scikit-learn库中的make_blobs函数生成了一个包含3个中心的随机数据集，每个中心周围有高斯分布的数据点。然后使用AgglomerativeClustering函数进行层次聚类，参数linkage依次取值linkages中的各个元素...
plt.scatter()
莲君
12-26 1738
https://blog.csdn.net/m0_37393514/article/details/81298503
sklearn的make_blobs绘制聚类数据样本，Python
Zhang Phil
11-12 1381
sklearn的make_blobs绘制聚类数据样本，Python 例如： from sklearn.datasets import make_blobs from matplotlib import pyplot def printer(data, label): size = len(data) d = [data[i] for i in range(size)] ...
make_blobs函数
weixin_44976611的博客
01-16 1008
可见，n_samples=10与n_samples=[3, 3, 4]等价，centers=3与centers=None等价，验证了默认值的定义。
关于plt.scatter()的使用
热门推荐
meini32的博客
08-24 1万+
【代码】关于plt.scatter()的使用。
sklearn.datasets中的make_blobs函数解析
The Zen of Data Analysis
10-07 1万+
sklearn.datasets中的make_blobs函数在机器学习生成数据集以自建模型中应用广泛，此文就其格式及参数设置说明如下: 函数格式及默认参数设置 sklearn.datasets.make_blobs(n_samples=100, n_features=2, centers=None, cluster_std=1.0, center_box=(-10.0, 10.0), shuffl...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值