機器學習算法的隨機數(shù)據(jù)生成

在學習機器學習算法的過程中，我們經(jīng)常需要數(shù)據(jù)來驗證算法，調(diào)試參數(shù)。但是找到一組十分合適某種特定算法類型的數(shù)據(jù)樣本卻不那么容易。還好numpy, scikit-learn都提供了隨機數(shù)據(jù)生成的功能，我們可以自己生成適合某一種模型的數(shù)據(jù)，用隨機數(shù)據(jù)來做清洗，歸一化，轉(zhuǎn)換，然后選擇模型與算法做擬合和預測。下面對scikit-learn和numpy生成數(shù)據(jù)樣本的方法做一個總結。

1. numpy隨機數(shù)據(jù)生成API

numpy比較適合用來生產(chǎn)一些簡單的抽樣數(shù)據(jù)。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(shù)組。數(shù)組的值在[0,1]之間

例如：np.random.rand(3,2,2)，輸出如下3x2x2的數(shù)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(shù)組。不過數(shù)組的值服從N(0,1)的標準正態(tài)分布。

例如：np.random.randn(3,2)，輸出如下3×2的數(shù)組，這些值是N(0,1)的抽樣數(shù)據(jù)。

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

如果需要服???$N(\mu,\sigma^2)$的正態(tài)分布，只需要在randn上每個生成的值x上做變換$\sigma x + \mu $即可，例如：

例如：2*np.random.randn(3,2) + 1，輸出如下3×2的數(shù)組，這些值是N(1,4)的抽樣數(shù)據(jù)。

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

3)randint(low[, high, size])，生成隨機的大小為size的數(shù)據(jù)，size可以為整數(shù)，為矩陣維數(shù)，或者張量的維數(shù)。值位于半開區(qū)間 [low, high)。

例如：np.random.randint(3, size=[2,3,4])返回維數(shù)維2x3x4的數(shù)據(jù)。取值范圍為最大值為3的整數(shù)。

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]]])

再比如： np.random.randint(3, 6, size=[2,3]) 返回維數(shù)為2×3的數(shù)據(jù)。取值范圍為[3,6).

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

4) random_integers(low[, high, size]),和上面的randint類似，區(qū)別在與取值范圍是閉區(qū)間[low, high]。

5) random_sample([size]), 返回隨機的浮點數(shù)，在半開區(qū)間 [0.0, 1.0)。如果是其他區(qū)間[a,b),可以加以轉(zhuǎn)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(shù)。

array([ 2.87037573, 4.33790491, 2.1662832 ])

2. scikit-learn隨機數(shù)據(jù)生成API介紹

scikit-learn生成隨機數(shù)據(jù)的API都在datasets類之中，和numpy比起來，可以用來生成適合特定機器學習模型的數(shù)據(jù)。常用的API有：

1) 用make_regression 生成回歸模型的數(shù)據(jù)

2) 用make_hastie_10_2，make_classification或者make_multilabel_classification生成分類模型數(shù)據(jù)

3) 用make_blobs生成聚類模型數(shù)據(jù)

4) 用make_gaussian_quantiles生成分組多維正態(tài)分布的數(shù)據(jù)

3. scikit-learn隨機數(shù)據(jù)生成實例

3.1 回歸模型隨機數(shù)據(jù)

這里我們使用make_regression生成回歸模型數(shù)據(jù)。幾個關鍵參數(shù)有n_samples(生成樣本數(shù))， n_features(樣本特征數(shù))，noise(樣本隨機噪音)和coef(是否返回回歸系數(shù))。例子代碼如下：

輸出的圖如下：

3.2 分類模型隨機數(shù)據(jù)

這里我們用make_classification生成三元分類模型數(shù)據(jù)。幾個關鍵參數(shù)有n_samples(生成樣本數(shù))， n_features(樣本特征數(shù))， n_redundant(冗余特征數(shù))和n_classes(輸出的類別數(shù))，例子代碼如下：

輸出的圖如下：

3.3 聚類模型隨機數(shù)據(jù)

這里我們用make_blobs生成聚類模型數(shù)據(jù)。幾個關鍵參數(shù)有n_samples(生成樣本數(shù))， n_features(樣本特征數(shù))，centers(簇中心的個數(shù)或者自定義的簇中心)和cluster_std(簇數(shù)據(jù)方差，代表簇的聚合程度)。例子如下：

輸出的圖如下：

3.4 分組正態(tài)分布混合數(shù)據(jù)

我們用make_gaussian_quantiles生成分組多維正態(tài)分布的數(shù)據(jù)。幾個關鍵參數(shù)有n_samples(生成樣本數(shù))， n_features(正態(tài)分布的維數(shù))，mean(特征均值)， cov(樣本協(xié)方差的系數(shù))， n_classes(數(shù)據(jù)在正態(tài)分布中按分位數(shù)分配的組數(shù))。 例子如下：

輸出圖如下

以上就是生產(chǎn)隨機數(shù)據(jù)的一個總結，希望可以幫到學習機器學習算法的朋友們。