8.3. 生成数据集#

此外，scikit-learn 包含各种随机样本生成器，可用于构建具有受控大小和复杂性的人工数据集。

8.3.1. 用于分类和聚类的生成器#

这些生成器生成特征矩阵和相应的离散目标。

8.3.1.1. 单标签#

make_blobs 通过将每个类别分配给一个正态分布的点簇来创建多类别数据集。它提供了对每个簇的中心和标准偏差的控制。此数据集用于演示聚类。

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 也创建多类别数据集，但专门通过以下方式引入噪声：相关、冗余和非信息性特征；每个类别的多个高斯簇；以及特征空间的线性变换。

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 将单个高斯簇划分为由同心超球体分隔的近似相等大小的类别。

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 生成类似的二元、10 维问题。

make_circles 和 make_moons 生成 2D 二元分类数据集，这些数据集对某些算法（例如，基于质心的聚类或线性分类）具有挑战性，包括可选的高斯噪声。它们对于可视化很有用。make_circles 产生具有球形决策边界的高斯数据用于二元分类，而 make_moons 产生两个交错的半圆。

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

8.3.1.2. 多标签#

make_multilabel_classification 生成具有多个标签的随机样本，反映了从主题混合中提取的词袋。每个文档的主题数量从泊松分布中提取，主题本身从固定的随机分布中提取。同样，词语数量从泊松分布中提取，其中词语从多项分布中提取，每个主题定义了词语的概率分布。与真实词袋混合相比的简化包括

  • 每个主题的词语分布是独立提取的，而在现实中，所有词语都会受到稀疏基础分布的影响，并且是相关的。

  • 对于从多个主题生成的文档，所有主题在生成其词袋时权重相等。

  • 没有标签的文档会随机生成词语，而不是从基础分布中生成。

../_images/sphx_glr_plot_random_multilabel_dataset_001.png

8.3.1.3. 双聚类#

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

为双聚类生成常量块对角结构数组。

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

为双聚类生成具有块棋盘结构的数组。

8.3.2. 用于回归的生成器#

make_regression 产生回归目标，作为随机特征的可选稀疏线性组合，并带有噪声。它的信息特征可能不相关，或低秩（少数特征解释了大部分方差）。

其他回归生成器从随机化特征确定性地生成函数。make_sparse_uncorrelated 产生一个目标，作为具有固定系数的四个特征的线性组合。其他生成器明确编码非线性关系：make_friedman1 通过多项式和正弦变换相关；make_friedman2 包括特征乘法和倒数；而 make_friedman3 类似，对目标进行了 arctan 变换。

8.3.3. 用于流形学习的生成器#

make_s_curve([n_samples, noise, random_state])

生成 S 曲线数据集。

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

生成瑞士卷数据集。

8.3.4. 用于分解的生成器#

make_low_rank_matrix([n_samples, ...])

生成一个带有钟形奇异值的低秩矩阵。

make_sparse_coded_signal(n_samples, *, ...)

生成作为字典元素的稀疏组合的信号。

make_spd_matrix(n_dim, *[, random_state])

生成一个随机对称正定矩阵。

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

生成稀疏对称正定矩阵。