机器学习从入门到创业手记-构造数据集

 

PPT页15

      

旁白：对于机器学习而言合适的数据一直都是稀缺资源，尤其是对于初学者根本无法找到适合自己模型算法的数据，所幸sklearn提供了制造训练数据的方法，请试着创造出样本数为10000特征数为3，共分4个类别的数据集，并显示出来。

 

安逸提交的代码：

 

import matplotlib.pyplot as plt   from sklearn.datasets import make_classification   plt.figure(figsize=(8, 8)) plt.title("Datasets")   # X为样本特征，Y为样本类别输出， 共10000个样本，每个样本3个特征，输出有4个类别，没有冗余特征，每个类别一个簇 X, Y = make_classification(n_samples=10000, n_features=3, n_redundant=0, n_clusters_per_class=1, n_classes=4) plt.scatter(X[:, 0], X[:, 1] ,marker='o', c=Y, s=25, edgecolor='k') plt.show()

系统运行结果如图3.4.1.1，可以看到明显四个分类。

图3.4.1.1

 

旁白：尝试多运行几次，你会发现每次产生的数据都不一样，充满了随机性，这样非常不利于进行算法模拟，故我们需要将产生的数据进行持久化存储，sklearn也提供了存储与引导数据的方法，该方法不仅可以存储数据还可以存储算法模型，用法参考PPT页16，将数据存储后每次运行时就可以使用相同的数据进行算法验证了。

 

3.4.2 数据预处理

PPT页17

 

旁白：数据集的标准化是最常见的要求。