各种数据集的生成

yeopeq

已于 2024-05-07 20:04:19 修改

阅读量4.7k

点赞数 2

分类专栏：机器学习pycharm实战文章标签： sklearn python 机器学习

于 2022-01-26 15:52:21 首次发布

本文链接：https://blog.youkuaiyun.com/yeopeq/article/details/122702146

版权

机器学习pycharm实战专栏收录该内容

3 篇文章

订阅专栏

一、月牙形数据集的生成

1、一种是自建函数:

2、另一种是直接调用sklearn库里边的数据集中的make_moons函数给参数赋值直接生成月牙形数据集，函数的使用方法在sklearn官网有详细介绍：

二、高斯混合分布数据集

三、环形分布数据集

四、类别不均衡数据集

一、月牙形数据集的生成

生成月牙形数据集有两种方法:

1、一种是自建函数:

这篇文章里边有月牙形数据集的构成原理，感兴趣的可以去看看，个人觉得这篇挺好的。

“双月”数据集的生成_踏雪无痕是个小疯子的博客-优快云博客_双月数据集

2、另一种是直接调用sklearn库里边的数据集中的make_moons函数给参数赋值直接生成月牙形数据集，函数的使用方法在sklearn官网有详细介绍：

sklearn.datasets.make_moons — scikit-learn 1.0.2 documentation

X，Y = datasets.make_moons(n_samples=100, *, shuffle=True, noise=None, random_state=None)

n_samples	样本总数
shuffle	是否打乱数据集，可省略
noise	是否加入随机噪声
random_state	赋值为整数可以使每一次生成同一个数据集
X	生成的样本
Y	样本标签0/1

下面为代码实战部分：

from sklearn import datasets
import matplotlib.pyplot as plt
##设置rc参数显示中文标题
## 设置字体为SimHei显示中文
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False ## 设置正常显示符号
data1, target1 = datasets.make_moons(n_samples=1000,noise=0.1,random_state=8)
plt.scatter(data1[:, 0], data1[:, 1], c= target1)
plt.title('月牙形分布初始数据集')
plt.show()

运行结果：

二、高斯混合分布数据集

可以直接调用sklearn库里边的数据集中的make_blods函数给参数赋值直接生成高斯混合分布数据集，函数的使用方法在sklearn官网有详细介绍：

sklearn.datasets.make_blobs — scikit-learn 1.0.2 documentation

以下对官网的函数进行解释（翻译）：

X, Y = datasets.make_blobs(n_samples=100, n_features=2, *, centers=None, cluster_std=1.0, center_box=(- 10.0, 10.0), shuffle=True, random_state=None, return_centers=False)

n_samples	样本总数
n_features	样本特征数，可省略
centers	生成几类样本
cluster_std	每一类样本间的方差，float值，可为数组类型
center_box	随机生成中心时每个簇中心的包围框，可省略
shuffle	是否打乱数据集，可省略
random_state	赋值为整数可以使每一次生成同一个数据集
return_centers	默认为False，如果为True，则返回每个集群的中心
X	生成的样本
Y	样本标签
centers	每个集群的中心，仅当return_centers=True时返回

下面为代码实战部分：

from sklearn import datasets
import matplotlib.pyplot as plt
import numpy as np
##设置rc参数显示中文标题
## 设置字体为SimHei显示中文
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False ## 设置正常显示符号
n = 500
centers = 3
#样本间的方差
stds = [1.0,2.0,1.0]
data, data_flag, center = datasets.make_blobs(n_samples=n, centers=centers, cluster_std=stds, random_state=8,return_centers= True)
center = np.array(center) #创建数组
print(' 聚类中心为： ',center)
plt.scatter(data[:, 0], data[:, 1], c= data_flag)
plt.title('高斯混合初始数据集')
plt.show()

运行结果：

三、环形分布数据集

可以直接调用sklearn库里边的数据集中的make_circles函数给参数赋值直接生成环形分布数据集，函数的使用方法在sklearn官网有详细介绍：

sklearn.datasets.make_circles — scikit-learn 1.0.2 documentation

以下对官网的函数进行解释（翻译）：

X, Y = datasets.make_circles(n_samples=100, *, shuffle=True, noise=None, random_state=None, factor=0.8)

n_samples	样本总数
shuffle	是否打乱数据集，可省略
noise	是否加入随机噪声
random_state	赋值为整数可以使每一次生成同一个数据集
factor	内、外圆尺度因子默认0.8(默认值时可省略)，范围(0.1)
X	生成的样本
Y	样本标签0/1

下面为代码实战部分：

from sklearn import datasets
import matplotlib.pyplot as plt
import numpy as np
##设置rc参数显示中文标题
## 设置字体为SimHei显示中文
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False ## 设置正常显示符号
data, data_flag = datasets.make_circles(n_samples=1000, noise=0.07, random_state=16, factor=0.6)
plt.scatter(data[:, 0], data[:, 1], c= data_flag)
plt.title('环形初始数据集')
plt.show()

运行结果：

调整了factor分别为默认值0.8和0.1的运行结果:

四、类别不均衡数据集

可以直接调用sklearn库里边的数据集中的make_classification函数给参数赋值直接生成类别不均衡数据集，函数的使用方法在sklearn官网有详细介绍：

sklearn.datasets.make_classification — scikit-learn 1.0.2 documentation

以下对官网的函数进行解释（翻译）：

X, Y = make_classification(n_samples=100, n_features=20, *, n_informative=2, n_redundant=2, n_repeated=0, n_classes=2, n_clusters_per_class=2, weights=None, flip_y=0.01, class_sep=1.0, hypercube=True, shift=0.0, scale=1.0, shuffle=True, random_state=None)

n_samples	样本总数
n_features	样本特征数，可省略
n_informative	多信息特征的个数
n_redundant	冗余信息，informative特征的随机线性组合
n_repeated	重复信息，随机提取n_informative和n_redundant 特征
n_classes	分类类别
n_clusters_per_class	某一个类别是由几个cluster构成的
weights	权重之比（之和为1），可为数组类型
random_state	赋值为整数可以使每一次生成同一个数据集
X	生成的样本
Y	样本标签0/1

下面为代码实战部分：

from sklearn import datasets
import matplotlib.pyplot as plt
import numpy as np
##设置rc参数显示中文标题
## 设置字体为SimHei显示中文
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.rcParams['axes.unicode_minus'] = False ## 设置正常显示符号
#n_informative：多信息特征的个数
data, data_flag = datasets.make_classification(n_samples= 500, n_informative=3, n_classes= 2, weights= [0.01, 0.99], random_state= 8)
plt.scatter(data[:, 0], data[:, 1], c= data_flag)
plt.title('类别不均衡分布初始数据集')
plt.show()

运行结果：