7.3. 產生資料集#

此外，scikit-learn 還包含各種隨機樣本產生器，可用於建構大小和複雜度可控的人工資料集。

7.3.1. 用於分類和分群的產生器#

這些產生器會產生特徵矩陣和對應的離散目標。

7.3.1.1. 單一標籤#

make_blobs 會為每個類別分配一個常態分布的點集群，以建立多類別資料集。它可以控制每個集群的中心和標準差。此資料集用於示範分群。

import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs

X, y = make_blobs(centers=3, cluster_std=0.5, random_state=0)

plt.scatter(X[:, 0], X[:, 1], c=y)
plt.title("Three normally-distributed clusters")
plt.show()
../_images/sample_generators-1.png

make_classification 也會建立多類別資料集，但專門透過以下方式引入雜訊：相關、冗餘和無訊息的特徵；每個類別的多個高斯集群；以及特徵空間的線性轉換。

import matplotlib.pyplot as plt
from sklearn.datasets import make_classification

fig, axs = plt.subplots(1, 3, figsize=(12, 4), sharey=True, sharex=True)
titles = ["Two classes,\none informative feature,\none cluster per class",
          "Two classes,\ntwo informative features,\ntwo clusters per class",
          "Three classes,\ntwo informative features,\none cluster per class"]
params = [
    {"n_informative": 1, "n_clusters_per_class": 1, "n_classes": 2},
    {"n_informative": 2, "n_clusters_per_class": 2, "n_classes": 2},
    {"n_informative": 2, "n_clusters_per_class": 1, "n_classes": 3}
]

for i, param in enumerate(params):
    X, Y = make_classification(n_features=2, n_redundant=0, random_state=1, **param)
    axs[i].scatter(X[:, 0], X[:, 1], c=Y)
    axs[i].set_title(titles[i])

plt.tight_layout()
plt.show()
../_images/sample_generators-2.png

make_gaussian_quantiles 會將單一高斯集群劃分為由同心超球面分隔的近乎相等大小的類別。

import matplotlib.pyplot as plt
from sklearn.datasets import make_gaussian_quantiles

X, Y = make_gaussian_quantiles(n_features=2, n_classes=3, random_state=0)
plt.scatter(X[:, 0], X[:, 1], c=Y)
plt.title("Gaussian divided into three quantiles")
plt.show()
../_images/sample_generators-3.png

make_hastie_10_2 會產生一個類似的二元、10 維問題。

make_circles 和 make_moons 會產生 2D 二元分類資料集，這些資料集對某些演算法（例如，基於質心的分群或線性分類）構成挑戰，包括可選的高斯雜訊。它們對於視覺化很有用。make_circles 會產生具有球形決策邊界的二元分類高斯資料，而 make_moons 會產生兩個交錯的半圓。

import matplotlib.pyplot as plt
from sklearn.datasets import make_circles, make_moons

fig, (ax1, ax2) = plt.subplots(nrows=1, ncols=2, figsize=(8, 4))

X, Y = make_circles(noise=0.1, factor=0.3, random_state=0)
ax1.scatter(X[:, 0], X[:, 1], c=Y)
ax1.set_title("make_circles")

X, Y = make_moons(noise=0.1, random_state=0)
ax2.scatter(X[:, 0], X[:, 1], c=Y)
ax2.set_title("make_moons")

plt.tight_layout()
plt.show()
../_images/sample_generators-4.png

7.3.1.2. 多標籤#

make_multilabel_classification 會產生具有多個標籤的隨機樣本，反映從主題混合中提取的詞袋。每個文件的​​主題數量是從卜瓦松分佈中提取的，而主題本身是從固定的隨機分佈中提取的。同樣地，單字數是從卜瓦松分佈中提取的，而單字是從多項式分佈中提取的，其中每個主題定義了單字的機率分佈。相對於真實詞袋混合的簡化包括

  • 每個主題的單字分佈是獨立繪製的，但實際上所有分佈都會受到稀疏基礎分佈的影響，並且會相關。

  • 對於從多個主題產生的文件，所有主題在產生其詞袋時的權重都相等。

  • 沒有標籤的文件會從隨機位置提取單字，而不是從基礎分佈中提取。

../_images/sphx_glr_plot_random_multilabel_dataset_001.png

7.3.1.3. 雙分群#

make_biclusters(shape, n_clusters, *[, ...])

產生用於雙分群的常數區塊對角結構陣列。

make_checkerboard(shape, n_clusters, *[, ...])

產生具有區塊棋盤結構的陣列，以用於雙分群。

7.3.2. 用於迴歸的產生器#

make_regression 會將迴歸目標產生為具有雜訊的隨機特徵的可選稀疏隨機線性組合。其資訊性特徵可能是不相關的，或為低秩（少數特徵佔據大部分變異數）。

其他迴歸產生器會從隨機特徵確定性地產生函數。make_sparse_uncorrelated 會產生目標作為具有固定係數的四個特徵的線性組合。其他則明確編碼非線性關係：make_friedman1 與多項式和正弦轉換相關；make_friedman2 包含特徵乘法和倒數；而 make_friedman3 類似，但目標進行了反正切轉換。

7.3.3. 用於流形學習的產生器#

make_s_curve([n_samples, noise, random_state])

產生 S 曲線資料集。

make_swiss_roll([n_samples, noise, ...])

產生瑞士捲資料集。

7.3.4. 用於分解的產生器#

make_low_rank_matrix([n_samples, ...])

產生具有鐘形奇異值的大部分低秩矩陣。

make_sparse_coded_signal(n_samples, *, ...)

將訊號產生為字典元素的稀疏組合。

make_spd_matrix(n_dim, *[, random_state])

產生隨機對稱正定矩陣。

make_sparse_spd_matrix([n_dim, alpha, ...])

產生稀疏對稱正定矩陣。