機器學習算法的隨機數據生成

　　　　在學習機器學習算法的過程當中，咱們常常須要數據來驗證算法，調試參數。可是找到一組十分合適某種特定算法類型的數據樣本卻不那麼容易。還好numpy, scikit-learn都提供了隨機數據生成的功能，咱們能夠本身生成適合某一種模型的數據，用隨機數據來作清洗，歸一化，轉換，而後選擇模型與算法作擬合和預測。下面對scikit-learn和numpy生成數據樣本的方法作一個總結。

　　　　完整代碼參見個人github。

1. numpy隨機數據生成API

　　　　numpy比較適合用來生產一些簡單的抽樣數據。API都在random類中，常見的API有：

　　　　1) rand(d0, d1, ..., dn) 用來生成d0xd1x...dn維的數組。數組的值在[0,1)之間

　　　　例如：np.random.rand(3,2,2)，輸出以下3x2x2的數組

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), 也是用來生成d0xd1x...dn維的數組。不過數組的值服從N(0,1)的標準正態分佈。

　　　　例如：np.random.randn(3,2)，輸出以下3x2的數組，這些值是N(0,1)的抽樣數據。

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

若是須要服從$N(\mu,\sigma^2)$的正態分佈，只須要在randn上每一個生成的值x上作變換$\sigma x + \mu $便可，例如：

例如：2*np.random.randn(3,2) + 1，輸出以下3x2的數組，這些值是N(1,4)的抽樣數據。

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

3)randint(low[, high, size])，生成隨機的大小爲size的數據，size能夠爲整數，爲矩陣維數，或者張量的維數。值位於半開區間 [low, high)。

　　　　例如：np.random.randint(3, size=[2,3,4])返回維數爲2x3x4的數據。取值範圍爲最大值爲3的整數。

　　　　　　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]]])

　　　　再好比： np.random.randint(3, 6, size=[2,3]) 返回維數爲2x3的數據。取值範圍爲[3,6).

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

　　　　4) random_integers(low[, high, size]),和上面的randint相似，區別在與取值範圍是閉區間[low, high]。

　　　　5) random_sample([size]), 返回隨機的浮點數，在半開區間 [0.0, 1.0)。若是是其餘區間[a,b),能夠加以轉換(b - a) * random_sample([size]) + a

　　　　例如： (5-2)*np.random.random_sample(3)+2 返回[2,5)之間的3個隨機數。

　　　　　　array([ 2.87037573,  4.33790491,  2.1662832 ])

 

2. scikit-learn隨機數據生成API介紹

　　　　scikit-learn生成隨機數據的API都在datasets類之中，和numpy比起來，能夠用來生成適合特定機器學習模型的數據。經常使用的API有：

　　　　1) 用make_regression 生成迴歸模型的數據

　　　　2) 用make_hastie_10_2，make_classification或者make_multilabel_classification生成分類模型數據

　　　　3) 用make_blobs生成聚類模型數據

　　　　4) 用make_gaussian_quantiles生成分組多維正態分佈的數據

3. scikit-learn隨機數據生成實例

3.1 迴歸模型隨機數據

 　　　　這裏咱們使用make_regression生成迴歸模型數據。幾個關鍵參數有n_samples（生成樣本數）， n_features（樣本特徵數），noise（樣本隨機噪音）和coef（是否返回迴歸係數）。例子代碼以下：

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.datasets.samples_generator import make_regression
# X爲樣本特徵，y爲樣本輸出， coef爲迴歸係數，共1000個樣本，每一個樣本1個特徵
X, y, coef =make_regression(n_samples=1000, n_features=1,noise=10, coef=True)
# 畫圖
plt.scatter(X, y,  color='black')
plt.plot(X, X*coef, color='blue',
         linewidth=3)

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

plt.show()

輸出的圖以下：

3.2 分類模型隨機數據

　　　　這裏咱們用make_classification生成三元分類模型數據。幾個關鍵參數有n_samples（生成樣本數）， n_features（樣本特徵數）， n_redundant（冗餘特徵數）和n_classes（輸出的類別數），例子代碼以下：

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.datasets.samples_generator import make_classification
# X1爲樣本特徵，Y1爲樣本類別輸出， 共400個樣本，每一個樣本2個特徵，輸出有3個類別，沒有冗餘特徵，每一個類別一個簇
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()

輸出的圖以下：

3.3 聚類模型隨機數據

　　　　這裏咱們用make_blobs生成聚類模型數據。幾個關鍵參數有n_samples（生成樣本數）， n_features（樣本特徵數），centers(簇中心的個數或者自定義的簇中心)和cluster_std（簇數據方差，表明簇的聚合程度）。例子以下：

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.datasets.samples_generator import make_blobs
# X爲樣本特徵，Y爲樣本簇類別， 共1000個樣本，每一個樣本2個特徵，共3個簇，簇中心在[-1,-1], [1,1], [2,2]， 簇方差分別爲[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()

輸出的圖以下：

3.4 分組正態分佈混合數據

　　　　咱們用make_gaussian_quantiles生成分組多維正態分佈的數據。幾個關鍵參數有n_samples（生成樣本數）， n_features（正態分佈的維數），mean（特徵均值）， cov（樣本協方差的係數）， n_classes（數據在正態分佈中按分位數分配的組數）。 例子以下：

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.datasets import make_gaussian_quantiles
#生成2維正態分佈，生成的數據按分位數分紅3組，1000個樣本,2個樣本特徵均值爲1和2，協方差係數爲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)

輸出圖以下

　　　　以上就是生產隨機數據的一個總結，但願能夠幫到學習機器學習算法的朋友們。　

（歡迎轉載，轉載請註明出處。歡迎溝通交流： liujianping-ok@163.com）