[机器学习与scikit-learn-6]：数据集获取的主要方式-2-计算机生成数据集

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/123238517

---

目录

第1章 scikit-learn数据获取的主要方式

第2章 计算机自动生成数据集

2.1 概述

2.2 常见的生成函数

2.3 案例1：生成聚类数据：make_blobs

2.3 案例2：生成分类数据：make_classification

2.3 案例3：生成环形数据：make_circles

2.4 案例4： 生成回归数据：make_regression

---

第1章 scikit-learn数据获取的主要方式

自带的小数据集：安装后，这些数据集一并安装，xxx.load_xxx()

在线下载的数据集：下载远程数据集

计算机生成的数据集：通过某种数学算法，生成数据集

svmlight/svm格式的数据集: 从文件冲去数据集

mldata.org: 在线下载由mldata.org提供的大型数据集

第2章 计算机自动生成数据集

2.1 概述

有时候，我们在调试和训练模型时，没有真实的数据，为了能够调试和验证模型，有时候我们需要手工生成模拟数据，scikit-learn提供了API, 用于自动生成指定特征的数据集（模拟数据集）。

自动生成数据集的好处有：

• 非常灵活：可以控制样本数量，特征数量，类别数量，问题难易程度等等。。。
• 无穷无尽：再也不用担心我没有数据集了。。
• 为算法提供模拟数据

2.2 常见的生成函数

• make_blobs 可用于聚类和分类
• make_classification 可用于分类
• make_circles 可用于分类
• make_moons 可用于分类
• make_multilabel_classification 可用于多标签分类
• make_regression 可用于回归

2.3 案例1：生成聚类数据：make_blobs

import numpy as np
import pandas as pd
%matplotlib inline
import matplotlib

# 生成数据 make_blobs
from sklearn.datasets import make_blobs

# 生成数据集
# n_samples:样本总数
# centers：中心点坐标，与分类数一致
# n_features：分类数
# cluster_std：正态分布的标准方差
# random_state：随机种子，确保每次运行，生成的随机数是一样的
X, labels=make_blobs(n_samples=200,centers=[[1,1],[-1,-1],[1,-1]], n_features=2, cluster_std=0.3, random_state = 0)

# 生成的数据集，自动带上标签
print('X.shape',X.shape)
print("labels",labels.shape)

# 分类的类型汇总
print("labels",set(labels))

X.shape (200, 2)
labels (200,)
labels {0, 1, 2}

# 通过pandas可视化数据
df = pd.DataFrame(np.c_[X,labels],columns = ['feature1','feature2','labels'])

df.plot.scatter('feature1','feature2', s = 100, c = list(df['labels']), cmap = 'rainbow',colorbar = False, alpha = 0.8,title = 'dataset by make_blobs')

备注：生成成块聚合数据

2.3 案例2：生成分类数据：make_classification

#生成数据集 make_classification
from sklearn.datasets import make_classification

# n_samples：样本数
# n_features：特征数目
# n_classes：分类数目
# n_redundant：冗余数
X,labels=make_classification(n_samples=300,n_features=2, n_classes = 2, n_redundant=0, n_informative=2, random_state=0, n_clusters_per_class=2)

print(X.shape)
print(labels.shape)
print(set(labels))

(300, 2)
(300,)
{0, 1}

df = pd.DataFrame(np.c_[X, labels],columns = ['feature1','feature2','labels'])
df['labels'] = df['labels'].astype('i2')

df.plot.scatter('feature1','feature2', s = 100, c = list(df['labels']),cmap = 'rainbow',colorbar = False,alpha = 0.8,title = 'dataset by make_classification')

2.3 案例3：生成环形数据：make_circles

#生成数据集 make_circles
from sklearn.datasets import make_circles
X,labels=make_circles(n_samples=200,noise=0.2,factor=0.2,random_state=1)
print("X.shape:",X.shape)
print("labels:",set(labels))

X.shape: (200, 2)
labels: {0, 1}

df = pd.DataFrame(np.c_[X,labels],columns = ['feature1','feature2','labels'])
df['labels'] = df['labels'].astype('i2')

# 生成圆周数据
df.plot.scatter('feature1','feature2', s = 100, c = list(df['labels']),cmap = 'rainbow',colorbar = False, alpha = 0.8,title = 'dataset by make_circles')

2.4 案例4： 生成回归数据：make_regression

# 生成数据集 make_regression
from sklearn.datasets import make_regression

# 生成数据集
# n_samples：样本个数
# n_features：输入数据的维度，这里是1维x轴
# n_targets：输出数据的维度，这里是1为y轴
# bias：数据偏置大小
# noise：叠加的噪声大小
# random_state：随机种子
X,Y,coef = make_regression(n_samples=100, n_features=1, n_informative=1, n_targets=1, bias=5, effective_rank=None, tail_strength= 0, noise= 10, shuffle=True, coef=True, random_state=None)

print("X.shape:",X.shape)
print("Y.shape:",Y.shape)

X.shape: (100, 1)
Y.shape: (100,)

X.shape: (100, 1)
Y.shape: (100,)

---

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/123238517