在學習機器學習演算法的過程中，我們經常需要資料來驗證演算法，調試參數。但是要找到一組十分合適某種特定演算法類型的資料樣本卻不那麼容易。還好numpy, scikit-learn都提供了隨機資料產生的功能，我們可以自己產生適合某一種模型的數據，用隨機資料來做清洗，歸一化，轉換，然後選擇模型與算法做擬合和預測。下面對scikit-learn和numpy產生資料樣本的方法做一個總結。
numpy比較適合用來生產一些簡單的抽樣資料。 API都在random類別中，常見的API有：
1) rand(d0, d1, ..., dn) 用來產生d0xd1x...dn維的陣列。陣列的值在[0,1]之間
例如：np.random.rand(3,2,2)，輸出如下3x2x2的陣列
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), 也是用來產生d0xd1x...dn維的陣列。不過數組的值服從N(0,1)的標準常態分配。
例如：np.random.randn(3,2)，輸出如下3x2的數組，這些值是N(0,1)的抽樣資料。 ,σ2)N(μ,σ2)的常態分佈，只需要在randn上每個產生的值x上做變換σx+μσx+μ即可，例如：
例如：2*np.random.randn(3,2) + 1，輸出如下3x2的數組，這些值是N(1,4)的抽樣資料。 low[, high, size])，產生隨機的大小為size的數據，size可以為
，為矩陣維數，或張量的維度。值位於半開區間 [low, high)。
例如：np.random.randint(3, size=[2,3,4])傳回維數維2x3x4的資料。取值範圍為最大值為3的整數。array([[-0.5889483 , -0.34054626],
[-2.03094528, -0.21205145],
[-0.20804811, -0.97289898]])array([[ 2.32910328, -0.677016 ],
[-0.09049511, 1.04687598],
[ 2.13493001, 3.30025852]])4) random_integers(low[, high, size]),和上面的randint類似，區別在與取值範圍是閉區間[low, high] 。
5) random_sample([size]), 傳回隨機的浮點數，在半開區間 [0.0, 1.0)。如果是其他區間[a,b),可以轉換(b - a) * random_sample([size]) + a
#例如： (5-2)*np.random.random_sample(3)+2傳回[2,5)之間的3個隨機數。
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]]])
2. scikit-learn隨機資料產生API介紹
scikit-learn產生隨機資料的API都在datasets類別之中，和numpy比起來，可以用來產生適合特定機器學習模型的數據。常用的API有：
2) 用make_hastie_10_2，make_classification或make_multilabel_classification產生分類模型資料
3) 聚用make_blobs類別模型資料
4) 用make_gaussian_quantiles產生分組多維度常態分佈的資料
3. scikit-learn隨機資料產生實例
#3.1 迴歸模型隨機資料
array([[4, 5, 3], [3, 4, 5]])
這裡我們用make_classification產生三元分類模型資料。幾個關鍵參數有n_samples（產生樣本數）， n_features（樣本特徵數）， n_redundant（冗餘特徵數）和n_classes（輸出的類別數），範例程式碼如下：
array([ 2.87037573, 4.33790491, 2.1662832 ])
這裡我們用make_blobs產生聚類模型資料。幾個關鍵參數有n_samples（產生樣本數）， n_features（樣本特徵數），centers(簇中心的個數或自訂的簇中心)和cluster_std（簇資料方差，代表簇的聚合程度）。範例如下：
import numpy as np import matplotlib.pyplot as plt %matplotlib inline from sklearn.datasets.samples_generator import make_regression # X为样本特征，y为样本输出， coef为回归系数，共1000个样本，每个样本1个特征 X, y, coef =make_regression(n_samples=1000, n_features=1,noise=10, coef=True) # 画图 plt.scatter(X, y, color='black') plt.plot(X, X*coef, color='blue', linewidth=3) plt.xticks(()) plt.yticks(()) plt.show()
我们用make_gaussian_quantiles生成分组多维正态分布的数据。几个关键参数有n_samples（生成样本数）， n_features（正态分布的维数），mean（特征均值）， cov（样本协方差的系数）， n_classes（数据在正态分布中按分位数分配的组数）。 例子如下：
import numpy as np import matplotlib.pyplot as plt %matplotlib inline from sklearn.datasets import make_gaussian_quantiles #生成2维正态分布，生成的数据按分位数分成3组，1000个样本,2个样本特征均值为1和2，协方差系数为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)
输出图如下
以上就是生产随机数据的一个总结，希望可以帮到学习机器学习算法的朋友们。
以上是機器學習演算法的隨機資料產生方法介紹的詳細內容。更多資訊請關注PHP中文網其他相關文章！
