使用 Scikit-Learn 的人工数据集，老师讲的真棒

最新推荐文章于 2024-05-24 12:31:14 发布

程序猿卡卡

最新推荐文章于 2024-05-24 12:31:14 发布

阅读量808

点赞数 23

分类专栏： 2024年程序员学习文章标签： scikit-learn python 机器学习

本文链接：https://blog.csdn.net/m0_54406581/article/details/136978550

版权

2024年程序员学习专栏收录该内容

253 篇文章 0 订阅

订阅专栏

(255, 0, 0)
(245, 107, 0)
(206, 99, 1)
(255, 254, 101)

花萼的平均直径为：

| Flos pythonem

(254, 0, 0) | Flos Java

(245, 107, 0) |

| — | — |

| 弗洛斯玛格丽塔

(206, 99, 1) | 人工花链

(255, 254, 101) |

import matplotlib.pyplot as plt

import numpy as np

import pandas as pd

从 scipy.stats 导入 truncnorm

def truncated_normal ( mean = 0 , sd = 1 , low = 0 , upp = 10 , type = int ):

return truncnorm (

( low - mean ) / sd , ( upp - mean ) / sd , loc = mean , scale = sd )

def truncated_normal_floats ( mean = 0 , sd = 1 , low = 0 , upp = 10 , num = 100 ):

res = truncated_normal ( mean = mean , sd = sd , low = low , upp = upp )

返回 res 。RVS （NUM ）

def truncated_normal_ints ( mean = 0 , sd = 1 , low = 0 , upp = 10 , num = 100 ):

res = truncated_normal ( mean = mean , sd = sd , low = low , upp = upp )

返回 res 。RVS （NUM ）。类型( np .uint8 )

＃项为每个花类的数目：

number_of_items_per_class = [ 190 ， 205 ， 230 ， 170 ]

花 = {}

＃FLOS Pythonem：

NUMBER_OF_ITEMS = number_of_items_per_class [ 0 ]

的红色 = truncated_normal_ints （平均值= 254 ， SD = 18 ，低= 235 ， upp = 256 ,

num = number_of_items )

果岭 = truncated_normal_ints （平均值= 107 ， SD = 11 ，低= 88 ， UPP = 127 ，

NUM = NUMBER_OF_ITEMS ）

蓝调 = truncated_normal_ints （平均值= 0 ， SD = 15 ，低= 0 ， UPP = 20 ，

NUM = NUMBER_OF_ITEMS ）

calyx_dia = truncated_normal_floats ( 3.8, 0.3 , 3.4 , 4.2 ,

num = number_of_items )

data = np . column_stack (( reds , greens , blues , calyx_dia ))

花[ “flos_pythonem” ] = 数据

＃FLOS爪哇：

NUMBER_OF_ITEMS = number_of_items_per_class [ 1 ]

的红色 = truncated_normal_ints （平均值= 245 ， SD = 17 ，低= 226 ， UPP = 256 ，

NUM = NUMBER_OF_ITEMS ）

果岭 = truncated_normal_ints （平均值= 107 ， SD = 11 ，低= 88 ， upp = 127 ,

NUM = NUMBER_OF_ITEMS ）

蓝调 = truncated_normal_ints （平均值= 0 ， SD = 10 ，低= 0 ， UPP = 20 ，

NUM = NUMBER_OF_ITEMS ）

calyx_dia = truncated_normal_floats （3.3 ， 0.3 ， 3.0 ， 3.5 ，

NUM = NUMBER_OF_ITEMS ）

数据 = NP 。column_stack ((红色, greens , blues , calyx_dia ))

花[ “flos_java” ] = 数据

＃FLOS爪哇：

NUMBER_OF_ITEMS = number_of_items_per_class [ 2 ]

红色 = truncated_normal_ints （平均值= 206 ， SD = 17 ，低= 175 ， UPP = 238 ，

NUM = NUMBER_OF_ITEMS ）

果岭 = truncated_normal_ints （平均= 99 ， SD = 14 ，低= 80 ， upp = 120 ,

NUM = NUMBER_OF_ITEMS ）

蓝调 = truncated_normal_ints （平均值= 1 ， SD = 5 ，低= 0 ， UPP = 12 ，

NUM = NUMBER_OF_ITEMS ）

calyx_dia = truncated_normal_floats （4.1 ， 0.3 ， 3.8 ， 4.4 ，

NUM = NUMBER_OF_ITEMS ）

数据 = NP 。column_stack ((红色, greens , blues , calyx_dia ))

花[ “flos_margarita” ] = 数据

＃FLOS artificialis：

NUMBER_OF_ITEMS = number_of_items_per_class [ 3 ]

的红色 = truncated_normal_ints （平均值= 255 ， SD = 8 ，低= 2245 ， UPP = 2255 ，

NUM = NUMBER_OF_ITEMS ）

果岭 = truncated_normal_ints （平均值= 254 ， SD = 10 ，低= 240 ，向上= 255，

NUM = NUMBER_OF_ITEMS ）

蓝调 = truncated_normal_ints （平均值= 101 ， SD = 5 ，低= 90 ， UPP = 112 ，

NUM = NUMBER_OF_ITEMS ）

calyx_dia = truncated_normal_floats （2.9 ， 0.4 ， 2.4 ， 3.5 ，

NUM = NUMBER_OF_ITEMS ）

数据 = NP 。column_stack ((reds , greens , blues , calyx_dia ))

花[ “flos_artificialis” ] = 数据

数据 = np 。连接（（花[ “flos_pythonem” ]，

花[ “flos_java” ]，

花[ “flos_margarita” ]，

花[ “flos_artificialis” ]

），轴= 0 ）

# 分配标签

target = np . zeros ( sum ( number_of_items_per_class )) # 4 朵花

previous_end = 0

for i in range ( 1 , 5 ):

num = number_of_items_per_class [ i - 1 ]

beg = previous_end

target [ beg : beg + num ] += i

previous_end = beg + num

conc_data = np . 连接(( data , target . reshape ( target . shape [ 0 ], 1 )),

axis = 1 )

NP . savetxt ( “data/strange_flowers.txt” , conc_data , fmt = " %2.2f " ,)

导入 matplotlib.pyplot 作为 plt

target_names = 列表（花朵。键（））

feature_names = [ ‘红’ ， ‘绿色’ ， ‘蓝’ ， ‘花萼’ ]

ñ = 4

无花果，斧 = PLT 。子图( n , n , figsize = ( 16 , 16 ))

颜色 = [ ‘蓝色’ 、 ‘红色’ 、 ‘绿色’ 、 ‘黄色’ ]

for x in range ( n ):

for y in range ( n ):

xname = feature_names [ x ]

yname = feature_names [ y ]

for color_ind in range ( len ( target_names )):

ax [ x , y ] 。分散（数据[目标== color_ind ， x ]，

数据[ target == color_ind , y ],

label = target_names [ color_ind ],

c = colors [ color_ind ])

轴[ x , y ] 。set_xlabel ( xname )

ax [ x , y ] 。set_ylabel ( yname )

ax [ x , y ] 。图例（loc = ‘左上’ ）

PLT 。显示()

使用 Scikit-Learn 生成合成数据

使用 Scikit-Learn 的可能性来创建合成数据要容易得多。

sklearn 中可用的功能可以分为

用于分类和聚类的生成器
用于创建回归数据的生成器
流形学习生成器
分解生成器

分类和聚类生成器

我们先从功能make_blobs的sklearn.datasets打造“斑点”状数据分布。通过将的值设置centers为n_classes，我们确定了 blob 的数量，即集群。n_samples对应于在集群中平均分配的点总数。如果random_state没有设置，我们每次调用函数都会有随机结果。我们将一个 int 传递给这个参数，以便在多个函数调用中重现输出。

import numpy as np

import matplotlib.pyplot as plt

from sklearn.datasets import make_blobs

n_classes = 4

数据，标签 = make_blobs （n_samples = 1000 ，

中心= n_classes ，

random_state = 100 ）

标签[: 7 ]

输出：

数组([1, 3, 1, 3, 1, 3, 2])

我们将使用 matplotlib 可视化先前创建的 blob custers：

图, ax = plt 。子图()

颜色 = （‘绿色’ ， ‘橙色’ ， ‘蓝’ ， “粉红色” ）

为标签在范围（n_classes ）：

斧。分散( x =数据[标签==标签, 0 ],

y =数据[标签==标签, 1 ],

c =颜色[标签],

s = 40 ,

标签=标签）

斧头。设置（xlabel = ‘X’ ，

ylabel = ‘Y’ ，

title = ‘Blob 示例’ ）

斧头。图例（loc = ‘右上角’ ）

输出：

<matplotlib.legend.Legend 在 0x7f1c3f9d0e80>

在前面的例子中，blob 的中心是随机选择的。在以下示例中，我们明确设置了 blob 的中心。我们创建一个包含中心点的列表并将其传递给参数centers：

import numpy as np

import matplotlib.pyplot as plt

from sklearn.datasets import make_blobs

中心 = [[ 2 ， 3 ]， [ 4 ， 5 ]， [ 7 ， 9 ]]

数据，标签 = make_blobs （N_SAMPLES次= 1000 ，

中心= NP 。阵列（中心），

random_state = 1 ）

标签[: 7 ]

输出：

数组([0, 1, 1, 0, 2, 2, 2])

让我们看看之前创建的 blob 集群：

图, ax = plt 。子图()

颜色 = （‘绿’ ， ‘橙’ ， ‘蓝’ ）

为标签的范围（len个（中心））：

斧。分散( x =数据[标签==标签, 0 ],

y =数据[标签==标签, 1 ],

c =颜色[标签],

s = 40 ,

标签=标签）

斧头。设置（xlabel = ‘X’ ，

ylabel = ‘Y’ ，

title = ‘Blob 示例’ ）

斧头。图例（loc = ‘右上角’ ）

输出：

<matplotlib.legend.Legend 在 0x7f1c3f363370>

通常，您希望将人工创建的数据集保存在文件中。为此，我们可以使用savetxtnumpy 中的函数。在我们这样做之前，我们必须重新排列我们的数据。每行都应包含数据和标签：

将 numpy 导入****为 np

标签 = 标签。重塑（（标签。形状[ 0 ]，1 ））

all_data = NP 。连接（（数据，标签），轴= 1 ）

all_data [：7 ]

输出：

数组([[ 1.72415394, 4.22895559, 0. ],

[ 4.16466507, 5.77817418, 1. ],

[ 4.51441156, 4.98274913, 1. ],

[ 1.49102772, 2.83351405, 0. ],

[ 6.0386362 , 7.57298437, 2. ],

[ 5.61044976, 9.83428321, 2. ],

[ 5.69202866, 10.47239631, 2. ]])

对于某些人来说，理解 reshape 和 concatenate 的组合可能很复杂。因此，您可以在以下代码中看到一个极其简单的示例：

将 numpy 导入****为 np

a = np 。数组( [[ 1 , 2 ], [ 3 , 4 ]])

b = np 。数组( [ 5 , 6 ])

b = b 。reshape (( b . shape [ 0 ], 1 ))

打印( b )

x = np 。连接( ( a , b ), 轴= 1 )

输出：

[[5]

[6]]

数组([[1, 2, 5],

[3, 4, 6]])

我们使用numpy函数savetxt来保存数据。不要担心这个奇怪的名字，它只是为了好玩，原因很快就会清楚：

NP . savetxt ( “squirrels.txt” ,

all_data ,

fmt = [ ’ %.3f ’ , ’ %.3f ’ , ’ %1d ’ ])

all_data [: 10 ]

输出：

数组([[ 1.72415394, 4.22895559, 0. ],

[ 4.16466507, 5.77817418, 1. ],

[ 4.51441156, 4.98274913, 1. ],

[ 1.49102772, 2.83351405, 0. ],

[ 6.0386362 , 7.57298437, 2. ],

[ 5.61044976, 9.83428321, 2. ],

[ 5.69202866, 10.47239631, 2. ],

[ 6.14017298, 8.56209179, 2. ],

[ 2.97620068, 5.56776474, 1. ],

[ 8.27980017, 8.54824406, 2. ]])

读取数据并将其转换回“数据”和“标签”

我们将展示现在，如何在数据再次读取以及如何将其拆分成data和labels再次：

文件数据 = np 。loadtxt ( “squirrels.txt” )

数据 = file_data [：，：- 1 ]

标签 = file_data [：，2 ：]

标签 = 标签。重塑（（标签。形状[ 0 ]））

我们将数据文件称为squirrels.txt，因为我们想象了一种生活在撒哈拉沙漠中的奇怪动物。x 值代表动物的夜视能力，y 值对应毛皮的颜色，从浅褐色变为黑色。我们有3种松鼠，0、1和2。（注意我们的松鼠是想象中的松鼠，与真正的撒哈拉松鼠没有任何关系！）

导入 matplotlib.pyplot 作为 plt

颜色 = （“绿色” 、 “红色” 、 “蓝色” 、 “洋红色” 、 “黄色” 、 “青色” ）

n_classes = 3

图, ax = plt 。副区（）

为 n_class 在范围（0 ， n_classes ）：

斧。分散（数据[标签== n_class ， 0 ]，数据[标签== n_class ， 1 ]，

c =颜色[ n_class ]， s = 10 ，标签= str （n_class ））

斧头。set ( xlabel = ‘Night Vision’ ,

ylabel = '毛色从浅褐色到黑色, 0 到 10 ’ ,

title = ‘Sahara Virtual Squirrel’ )

斧头。图例（loc = ‘右上角’ ）

输出：

<matplotlib.legend.Legend 在 0x7f1c3f2dfcd0>

我们将在以下代码中训练我们的人工数据：

从 sklearn.model_selection 导入 train_test_split

data_sets = train_test_split ( data ,

labels ,

train_size = 0.8 ,

test_size = 0.2 ,

random_state = 42 #保证每次运行的输出相同

)

train_data , test_data , train_labels , test_labels = data_sets

从 sklearn.neighbors 导入模型import KNeighborsClassifier

# 创建分类器

knn = KNeighborsClassifier ( n_neighbors = 8 )

# 训练

knn 。适合（train_data ， train_labels ）

# 对测试数据进行测试：

calculated_labels = knn . 预测（测试数据）

计算标签

输出：

数组([2., 0., 1., 1., 0., 1., 2., 2., 2., 2., 0., 1., 0., 0., 1., 0. , 1.,

2., 0., 0., 1., 2., 1., 2., 2., 1., 2., 0., 0., 2., 0., 2., 2., 0. ,

0., 2., 0., 0., 0., 1., 0., 1., 1., 2., 0., 2., 1., 2., 1., 0., 2. ,

1., 1., 0., 1., 2., 1., 0., 0., 2., 1., 0., 1., 1., 0., 0., 0., 0. ,

0., 0., 0., 1., 1., 0., 1., 1., 1., 0., 1., 2., 1., 2., 0., 2., 1. ,

1., 0., 2., 2., 2., 0., 1., 1., 1., 2., 2., 0., 2., 2., 2., 2., 0. ,

0., 1., 1., 1., 2., 1., 1., 1., 0., 2., 1., 2., 0., 0., 1., 0., 1. ,

0., 2., 2., 2., 1., 1., 1., 0., 2., 1., 2., 2., 1., 2., 0., 2., 0. ,

0., 1., 0., 2., 2., 0., 0., 1., 2., 1., 2., 0., 0., 2., 2., 0., 0. ,

1., 2., 1., 2., 0., 0., 1., 2., 1., 0., 2., 2., 0., 2., 0., 0., 2. ,

1., 0., 0., 0., 0., 2., 2., 1., 0., 2., 2., 1., 2., 0., 1., 1., 1. ,

0., 1., 0., 1., 1., 2., 0., 2., 2., 1., 1., 1., 2.])

从 sklearn 导入指标

打印（“精度：” ，度量。accuracy_score （test_labels ， calculated_labels ））

输出：

准确度：0.97

其他有趣的分布

将 numpy 导入****为 np

最后

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。
🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。
🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。

小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数初中级Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python爬虫全套学习资料》送给大家，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频

如果你觉得这些内容对你有帮助，可以添加下面V无偿领取！（备注：python）

, 1., 1., 2., 0., 2., 2., 1., 1., 1., 2.])

从 sklearn 导入指标

打印（“精度：” ，度量。accuracy_score （test_labels ， calculated_labels ））

输出：

准确度：0.97

其他有趣的分布

将 numpy 导入****为 np

最后

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。
🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。
🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。

小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

由于文件比较大，这里只是将部分目录截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频

如果你觉得这些内容对你有帮助，可以添加下面V无偿领取！（备注：python）
[外链图片转存中…(img-Us3sryY5-1711210828471)]

程序猿卡卡

关注

23
点赞
踩
19

收藏

觉得还不错? 一键收藏
0
评论
使用 Scikit-Learn 的人工数据集，老师讲的真棒

🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。
复制链接

扫一扫