【转】机器学习算法的随机数据生成

你的名字 2024-04-19 16:21 79阅读 0赞

下文出自尊敬的刘建平老师博客，附上网址：[https://www.cnblogs.com/pinard/p/6047802.html][https_www.cnblogs.com_pinard_p_6047802.html]

在学习机器学习算法的过程中，我们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。还好numpy, scikit-learn都提供了随机数据生成的功能，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。下面对scikit-learn和numpy生成数据样本的方法做一个总结。

完整代码参见[我的github][github]。

# 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

array(\[\[\[ 0.49042678,  0.60643763\],  
        \[ 0.18370487,  0.10836908\]\],  
  
       \[\[ 0.38269728,  0.66130293\],  
        \[ 0.5775944 ,  0.52354981\]\],  
  
       \[\[ 0.71705929,  0.89453574\],  
        \[ 0.36245334,  0.37545211\]\]\])

2) randn((d0, d1, ..., dn), 也是用来生成d0xd1x...dn维的数组。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。

array(\[\[-0.5889483 , -0.34054626\],  
       \[-2.03094528, -0.21205145\],  
       \[-0.20804811, -0.97289898\]\])

如果需要服从N(μ,σ2)N(μ,σ2)的正态分布，只需要在randn上每个生成的值x上做变换σx+μσx+μ即可，例如：

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。

array(\[\[ 2.32910328, -0.677016  \],  
       \[-0.09049511,  1.04687598\],  
       \[ 2.13493001,  3.30025852\]\])

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=\[2,3,4\])返回维数维2x3x4的数据。取值范围为最大值为3的整数。

array(\[\[\[2, 1, 2, 1\],  
　　　　　　　　　　\[0, 1, 2, 1\],  
　　　　　　　　　　\[2, 1, 0, 2\]\],  
  
　　　　　　　　　　\[\[0, 1, 0, 0\],  
　　　　　　　　　　\[1, 1, 2, 1\],  
　　　　　　　　　　\[1, 0, 1, 2\]\]\])

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).

array(\[\[4, 5, 3\],  
　　　　　　　　\[3, 4, 5\]\])

4) random\_integers(low\[, high, size\]),和上面的randint类似，区别在与取值范围是闭区间\[low, high\]。

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。

array(\[ 2.87037573,  4.33790491,  2.1662832 \])

## 3.1 回归模型随机数据 ##

这里我们使用make\_regression生成回归模型数据。几个关键参数有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）。例子代码如下：

import numpy as np
    import matplotlib.pyplot as plt
    %matplotlib inline
    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=1000, 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()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMDc2Nzk3_size_16_color_FFFFFF_t_70][]

## 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。几个关键参数有n\_samples（生成样本数）， n\_features（样本特征数）， n\_redundant（冗余特征数）和n\_classes（输出的类别数），例子代码如下：

import numpy as np
    import matplotlib.pyplot as plt
    %matplotlib inline
    from sklearn.datasets.samples_generator import make_classification
    # X1为样本特征，Y1为样本类别输出， 共400个样本，每个样本2个特征，输出有3个类别，没有冗余特征，每个类别一个簇
    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()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMDc2Nzk3_size_16_color_FFFFFF_t_70 1][]

## 3.3 聚类模型随机数据 ##

这里我们用make\_blobs生成聚类模型数据。几个关键参数有n\_samples（生成样本数）， n\_features（样本特征数），centers(簇中心的个数或者自定义的簇中心)和cluster\_std（簇数据方差，代表簇的聚合程度）。例子如下：

import numpy as np
    import matplotlib.pyplot as plt
    %matplotlib inline
    from sklearn.datasets.samples_generator import make_blobs
    # 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]
    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()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMDc2Nzk3_size_16_color_FFFFFF_t_70 2][]

## 3.4 分组正态分布混合数据 ##

我们用make\_gaussian\_quantiles生成分组多维正态分布的数据。几个关键参数有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）。 例子如下：

import numpy as np
    import matplotlib.pyplot as plt
    %matplotlib inline
    from sklearn.datasets import make_gaussian_quantiles
    #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
    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)

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMDc2Nzk3_size_16_color_FFFFFF_t_70 3][]

以上就是生产随机数据的一个总结，希望可以帮到学习机器学习算法的朋友们。

（欢迎转载，转载请注明出处。欢迎沟通交流： liujianping-ok@163.com）

[https_www.cnblogs.com_pinard_p_6047802.html]: https://www.cnblogs.com/pinard/p/6047802.html
[github]: https://github.com/ljpzzz/machinelearning/blob/master/mathematics/random_data_generation.ipynb
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMDc2Nzk3_size_16_color_FFFFFF_t_70]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/ce7a6aa24727430a9f94c892ae9ae61a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMDc2Nzk3_size_16_color_FFFFFF_t_70 1]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/86450c34911044849fc58dc5c91cfc52.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMDc2Nzk3_size_16_color_FFFFFF_t_70 2]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/bbf6bd7e122548d0b3186f1d6c81ee46.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQxMDc2Nzk3_size_16_color_FFFFFF_t_70 3]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/18/860d031d5ee44b879dc3cf8c67782ba9.png