绘制随机生成的多标签数据集#

这部分演示了make_multilabel_classification 数据集生成器。每个样本包含两个特征的计数(总计最多 50 个),这些特征在两个类别中的分布不同。

点的标签如下所示,其中 Y 表示该类别存在

1

2

3

颜色

Y

N

N

红色

N

Y

N

蓝色

N

N

Y

黄色

Y

Y

N

紫色

Y

N

Y

橙色

Y

Y

N

绿色

Y

Y

Y

棕色

星号表示每个类别的预期样本;其大小反映了选择该类别标签的概率。

左右两侧的示例突出了n_labels参数:右侧图中更多样本具有 2 个或 3 个标签。

请注意,这个二维示例非常退化:通常特征的数量远大于“文档长度”,而在这里我们的文档远大于词汇量。类似地,当n_classes > n_features时,某个特征区分特定类别的可能性要小得多。

n_labels=1, length=50, n_labels=3, length=50
The data was generated from (random_state=521):
Class   P(C)    P(w0|C) P(w1|C)
red     0.32    0.55    0.45
blue    0.26    0.79    0.21
yellow  0.42    0.49    0.51

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

import matplotlib.pyplot as plt
import numpy as np

from sklearn.datasets import make_multilabel_classification as make_ml_clf

COLORS = np.array(
    [
        "!",
        "#FF3333",  # red
        "#0198E1",  # blue
        "#BF5FFF",  # purple
        "#FCD116",  # yellow
        "#FF7216",  # orange
        "#4DBD33",  # green
        "#87421F",  # brown
    ]
)

# Use same random seed for multiple calls to make_multilabel_classification to
# ensure same distributions
RANDOM_SEED = np.random.randint(2**10)


def plot_2d(ax, n_labels=1, n_classes=3, length=50):
    X, Y, p_c, p_w_c = make_ml_clf(
        n_samples=150,
        n_features=2,
        n_classes=n_classes,
        n_labels=n_labels,
        length=length,
        allow_unlabeled=False,
        return_distributions=True,
        random_state=RANDOM_SEED,
    )

    ax.scatter(
        X[:, 0], X[:, 1], color=COLORS.take((Y * [1, 2, 4]).sum(axis=1)), marker="."
    )
    ax.scatter(
        p_w_c[0] * length,
        p_w_c[1] * length,
        marker="*",
        linewidth=0.5,
        edgecolor="black",
        s=20 + 1500 * p_c**2,
        color=COLORS.take([1, 2, 4]),
    )
    ax.set_xlabel("Feature 0 count")
    return p_c, p_w_c


_, (ax1, ax2) = plt.subplots(1, 2, sharex="row", sharey="row", figsize=(8, 4))
plt.subplots_adjust(bottom=0.15)

p_c, p_w_c = plot_2d(ax1, n_labels=1)
ax1.set_title("n_labels=1, length=50")
ax1.set_ylabel("Feature 1 count")

plot_2d(ax2, n_labels=3)
ax2.set_title("n_labels=3, length=50")
ax2.set_xlim(left=0, auto=True)
ax2.set_ylim(bottom=0, auto=True)

plt.show()

print("The data was generated from (random_state=%d):" % RANDOM_SEED)
print("Class", "P(C)", "P(w0|C)", "P(w1|C)", sep="\t")
for k, p, p_w in zip(["red", "blue", "yellow"], p_c, p_w_c.T):
    print("%s\t%0.2f\t%0.2f\t%0.2f" % (k, p, p_w[0], p_w[1]))

脚本总运行时间:(0 分钟 0.133 秒)

相关示例

多标签分类

多标签分类

使用 KBinsDiscretizer 对连续特征进行离散化

使用 KBinsDiscretizer 对连续特征进行离散化

改变自训练阈值的影响

改变自训练阈值的影响

变分贝叶斯高斯混合的浓度先验类型分析

变分贝叶斯高斯混合的浓度先验类型分析

由 Sphinx-Gallery 生成的图库