（1-7）sklearn库的补充---如何生成数据？

最新推荐文章于 2024-08-18 11:53:15 发布

原创

最新推荐文章于 2024-08-18 11:53:15 发布 · 1.1k 阅读

15 ·

CC 4.0 BY-SA版权

本文深入探讨了使用Sklearn库生成各类数据集的方法，包括回归数据、分类数据、聚类数据及复杂数据形态的生成技巧。通过具体示例，详细介绍了make_regression、make_classification、make_blobs等函数的应用场景与参数配置，适用于初学者和进阶用户。

生成数据，本应当在（1-1）sklearn库的数据处理里面的内容，但由于现在不是我研究的重点，故单独摘出来备用

1.2 创建数据集
我们除了可以使用sklearn自带的数据集，还可以自己去创建训练样本，具体用法可以参考：　https://scikit-learn.org/stable/datasets/
在这里插入图片描述

1.2.1 生成回归数据 make_regression()

from sklearn.datasets import make_regression
X, y, coef = make_regression(n_samples=200, n_features=1, n_informative=1, n_targets=1,
                       bias = 0, effective_rank=None, noise = 20,
                        tail_strength=0,random_state=0, coef = True)

n_samples 样本数量
n_features 特征数量
n_informative 对回归有效的特征数量
(该项为对本次回归有用的特征数量，举个例子，我们想要预测房价，手上的特征有：房子面积、房龄、地段和房主的名字，显然前3项特征时有效特征，而房主的名字属于无效特征，改变其值并不影响回归效果。这里的n_informative就是3，总特征数为4.)
n_targets y的维度
bias 底层线性模型中的偏差项。相当于y的中位数
effective_rank 有效等级
noise 设置高斯噪声的标准偏差加到数据上。(noise：其值是高斯分布的偏差值，其值越大数据越分散，其值越小数据越集中。)
shuffle 是否洗牌(设置是否洗牌，如果为False，会按照顺序创建样本，一般设置为True。)
coef 如果为真，则返回权重值
random_state 设置随机种子

from sklearn.datasets import make_regression
from matplotlib import pyplot

X, y, coef = make_regression(n_samples=200, n_features=1, n_informative=1, n_targets=1,
                       bias = 0, effective_rank=None, noise = 20,
                        tail_strength=0,random_state=0, coef = True)


print(X[:10])#输出前十个
print(y[:10])#输出前十个
print(coef)

pyplot.scatter(X,y)
pyplot.show()

在这里插入图片描述

1.2.2 生成分类数据 make_classification()

from sklearn.datasets.samples_generator import make_classification
 
X, y = make_classification(n_samples=6, n_features=5, n_informative=2,
    n_redundant=2, n_classes=2, n_clusters_per_class=2, scale=1.0,
    random_state=20)
 
# n_samples：指定样本数
# n_features：指定特征数
#n_informative有意义的特征数，对本次分类有利的特征数
#n_redundant冗余信息
#n_repeated重复信息，随机提取n_informative和n_redundant 特征
# n_classes：指定几分类
#n_clusters_per_class某一个类别是由几个cluster构成的（子类别）
# random_state：随机种子，使得随机状可重

测试①：

>>> for x_,y_ in zip(X,y):
    print(y_,end=': ')
    print(x_)
 
     
0: [-0.6600737  -0.0558978   0.82286793  1.1003977  -0.93493796]
1: [ 0.4113583   0.06249216 -0.90760075 -1.41296696  2.059838  ]
1: [ 1.52452016 -0.01867812  0.20900899  1.34422289 -1.61299022]
0: [-1.25725859  0.02347952 -0.28764782 -1.32091378 -0.88549315]
0: [-3.28323172  0.03899168 -0.43251277 -2.86249859 -1.10457948]
1: [ 1.68841011  0.06754955 -1.02805579 -0.83132182  0.93286635]

测试②：

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

X, y = make_classification(n_samples=200, n_features=2, n_informative=2,n_redundant=0,
                           n_repeated=0, n_classes=2, n_clusters_per_class=1,random_state = 1)

print(X[:10])
print(y[:10])

plt.scatter(X[y == 0, 0], X[y == 0, 1], c = 'red', s = 100, label='0')
plt.scatter(X[y == 1, 0], X[y == 1, 1], c = 'blue', s = 100, label='1')
plt.scatter