27.机器学习算法的随机数据生成

目录

0.前言

1.numpy随机数据生成API

2.scikit-learn随机数据生成API介绍　　　

3.scikit-learn随机数据生成实例

3.1回归模型随机数据

3.1.1代码实例

3.1.2输出图像 

 3.2分类模型随机数据

3.2.1代码实例

3.2.2输出图像 

3.3聚类模型随机数据

3.3.1代码实例

3.3.2输出图像 

3.4分组正态分布混合数据

3.4.1代码实例

3.4.2输出图像 

---

0.前言

在学习机器算法的过程中，我经常需要数据来验证算法，调试参数。但是找到一组十分合适某种特定算法类型的数据样本却不那么容易。numpy和scikit- learn都提供了随机数据生成功能，我们可以自己生成适合某一种模型的数据，用随机数据来做清洗，归一化，转换，然后选择模型与算法做拟合和预测。

1.numpy随机数据生成API

numpy比较适合用来生产一些简单的抽样数据。API都在random类中，常见的API有：

(1) rand(d0, d1, ..., dn) 用来生成d0xd1x...dn维的数组。数组的值在[0,1)之间，例如：np.random.rand(3,2,2),输出如下3x2x2的数组；

import matplotlib
from mistune import InlineParser
import numpy as np
import matplotlib.pyplot as plt

np.random.rand(3,3,2)

 (2)randn(d0,d1,...,dn),也是用来生成d0xd1x...dn的数组,不过数组的值服从N(0,1)的标准正态分布。例如：np.random.randn(3,2),输出如下3x2的数组，这些值是N(0,1)的抽样数据。

如果需要服从N(𝜇,)的正态分布，只需在randn上每个生成的值x上做变换𝜎𝑥+μ即可,例如：2*np.random.randn(3,2)+1,输出如下3x2的数组，这些值是N(1,4)的抽样数据。

(3)randint(low[,high,size]),生成随机的大小为size的数据，size可以为整数，为矩阵维数，或者张量的维数。值位于半开区间[low,high)例如：np.random.randint(3, size=[2,3,4])返回维数为2x3x4的数据。取值范围为最大值为3的整数。

再比如：np.random.randint(3,6,size=[2,3])返回维数为2x3的数据。取值范围为[3,6). 

(4)random_integers(low[,high,size]) ,和上面的randint类似，区别在于取值范围是闭区间[low,high].

(5)random_sample([size]),返回随机的浮点数，在半开区间[0.0,1.0),如果是其他区间[a,b),可以加以转换(b-a) * random_sample([size]) + a;例如： (5-2)*np.random.random_sample(3)+2 返回[2,5)之间的3个随机数。

2.scikit-learn 随机数据生成API介绍　　　

scikit-learn生成随机数据的API都在datasets类之中，和numpy比起来，可以用来生成适合特定机器学习模型的数据。常用的API有：

(1)用make_regression生成回归模型的数据；

(2)make_hastie_10_2,make_classification make_multilabel_classification

(3)make_blobs

(4)make_gaussian_quantiles

3.scikit-learn随机数据生成实例

3.1回归模型随机数据

使用make_regression生成回归模型的数据，关键参数：n_samples(生成样本数)，n_features(样本特征数)，noise(样本随机噪音)和coef(是否返回回归系数)。

3.1.1代码实例

X为样本特征，y为样本输出，coef为回归系数，共1000个样本，每个样本1个特征。

from tkinter import N, Y
import numpy as np
import matplotlib.pyplot as plt

from sklearn.datasets._samples_generator import make_regression
X为样本特征，y为样本输出，coef为回归系数，共1000个样本，每个样本1个特征
X, y, coef = make_regression(n_samples = 10000, n_features = 1, noise = 10, coef = True)
#画图
plt.scatter(X,y,  color='black')
plt.plot(X,X*coef, color='blue', linewidth=3)

plt.xticks(())
plt.yticks(())

plt.show()

3.1.2输出图像 

 3.2分类模型随机数据

 这里我们用make_classification生成三元分类模型数据，关键参数：n_samples(生成样本数),n_features(样本特征数),n_redundant(冗余特征数),n_class(输出的类别数)

3.2.1代码实例

X1为样本特征，Y1为样本类别输出，共400个样本，每个样本个特征，输出有3个类别，没有冗余特征，每个类别一个醋。

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets._samples_generator import make_classification

X1,Y1 = make_classification(n_samples = 400, n_features = 2, n_redundant = 0,
                            n_clusters_per_class = 1, n_classes = 3)
plt.scatter(X1[:, 0], X1[:,1], marker = 'o', c = Y1)
plt.show

3.2.2输出图像 

3.3聚类模型随机数据

我们用make_blobs生成聚类模型数据，关键参数：n_samples(生成样本数)，n_features(样本特征数)，centers(蔟中心的个数或者自定义的蔟中心)和cluster_std(蔟数据方差，代表蔟的聚合程度)。

3.3.1代码实例

X为样本特征，Y为样本簇类别， 共1000个样本，每个样本2个特征，共3个簇，簇中心在[-1,-1], [1,1], [2,2]， 簇方差分别为[0.4, 0.5, 0.2]。

from tkinter import Y
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets._samples_generator import make_blobs

x,y = make_blobs(n_samples=1000, n_features = 2, centers = [[-1,-1],[1,1],[2,2]],cluster_std=[0.4,0.5,0.2])
plt.scatter(x[:,0],x[:,1],marker='o', c=y)
plt.show()

3.3.2输出图像 

3.4分组正态分布混合数据

用make_gaussian_quantiles生成分组多维正态分布的数据，关键参数：n_samples(生成样本数)，n_features(正态分布的维数)， mean(特征均值)，cov(样本协方差的系数) ，n_classes(数据在正态分布中按分位数分配的组数)

3.4.1代码实例

生成2维正态分布，生成的数据按分位数分成3组，1000个样本，2个样本特征均值为1和2，协方差系数为2。

from re import X
from tkinter import Y
import numpy as np
import matplotlib.pyplot as plt 
from sklearn.datasets import make_gaussian_quantiles
X1,Y1 = make_gaussian_quantiles(n_samples=1000, n_features=2, n_classes=3, mean=[1,2],cov=2)
plt.scatter(X1[:,0],X1[:,1],marker='o',c=Y1)

3.4.2输出图像 

​​​​​​​