机器学习中常用的聚类数据集生成方法_夏小悠的博客

前言

  毕业季又到了，论文里涉及到一些机器学习算法，就想用一些数据样本来对算法的性能做一些可视化，苦于自制数据集的困难，所以本篇就介绍一下scikit-learn自带的一些函数库来生成数据。

1. 造轮子式生成数据样本

  很久之前，也就是对scikit-learn不是特别熟悉的时候，那时候找不到合适的数据集，于是就用numpy自己造轮子，过程之艰难就不一一细说了，先看一个自己做的。

1.1 月牙形

	import numpy as np


	np.random.seed(256)
	
    x1 = np.linspace(-3, 3, 300, dtype=np.float32)[:, np.newaxis]
    noise = np.random.normal(0, 0.15, x1.shape).astype(np.float32)
    y1 = -np.square(x1) / 3 + 4.5 + noise

    x2 = np.linspace(0, 6, 300, dtype=np.float32)[:, np.newaxis]
    y2 = np.square(x2 - 3) / 3 + 0.5 + noise

	plt.figure()
	plt.xticks([])
	plt.yticks([])
	plt.scatter(x1, y1, s=15)
    plt.scatter(x2, y2, s=15)
    
    plt.show()

1.2 方形

	import numpy as np


	np.random.seed(256)
	
	x = np.random.rand(1000, 2)
	condition1 = x[:, 1] <= x[:, 0]
	condition2 = x[:, 1] <= (1-x[:, 0])
	index1 = np.where(condition1 & condition2)
	x1 = x[index1]
	x = np.delete(x, index1, axis=0)
	index2 = x[:, 0] <= 0.5
	x2 = x[index2]
	x3 = np.delete(x, index2, axis=0)
	
	plt.figure()
	plt.xticks([])
	plt.yticks([])
	plt.scatter(x1[:, 0], x1[:, 1], s=20)
	plt.scatter(x2[:, 0], x2[:, 1], s=20)
	plt.scatter(x3[:, 0], x3[:, 1], s=20)
	plt.show()

1.3 螺旋形

	n_samples = 1500
	np.random.seed(0)
	
	t = 1.5 * np.pi * (1 + 3 * np.random.rand(1, n_samples))
	x = t * np.cos(t)
	y = t * np.sin(t)
	
	X = np.concatenate((x, y))
	X += 0.7 * np.random.randn(2, n_samples)
	X = X.T
	
	norm = plt.Normalize(y.min(), y.max())

	plt.figure()
	plt.xticks([])
	plt.yticks([])
	# cmap=plt.cm.nipy_spectral
	plt.scatter(X[:, 0], X[:, 1], s=20, c=norm(X[:, 0]), cmap='viridis')
	plt.show()

  还可以，是吧，想要什么形状的数据都可以自己造，无非就是拟合一个函数再加上噪声，但就是稍微有一些繁琐，不如现成的库函数来的实在。当然啦，如果没事干，自己去探索不同的方程然后用代码的形式去实现，还是蛮好的。

2. 自定义生成数据样本

  使用sklearn.datasets自带的样本生成器来做数据集，具体参数可以参考官方文档。

2.1 点簇形

	from sklearn.datasets import make_blobs

	
	# x1表示生成的样本数据	y1表示样本的标签
	x1, y1 = make_blobs(n_samples=300, n_features=2, centers=3, random_state=170)

	plt.figure()
	plt.xticks([])
	plt.yticks([])
	plt.scatter(x1[:, 0], x1[:, 1], c=y1, s=20)
	plt.show()

  一条命令就可以生成数据，通过修改参数即可制作不同的数据集。如果颜色不喜欢，还可以修改一下：

	x1, y1 = make_blobs(n_samples=300, n_features=2, centers=3, random_state=170)
	
	plt.figure()
	plt.xticks([])
	plt.yticks([])
	# plt.scatter(x, y, c=None, s=None)
	# c 表示点的颜色	s表示点的大小
	plt.scatter(x1[y1==0][:, 0], x1[y1==0][:, 1], s=20)
	plt.scatter(x1[y1==1][:, 0], x1[y1==1][:, 1], s=20)
	plt.scatter(x1[y1==2][:, 0], x1[y1==2][:, 1], s=20)
	plt.show()

2.2 线簇形

  圆簇形状的不喜欢的话还可以把它拉直一下，做一个变换：

	x1, y1 = make_blobs(n_samples=300, n_features=2, centers=3, random_state=170)
	transformation = [[0.60834549, -0.63667341], [-0.40887718, 0.85253229]]
	x1 = np.dot(x1, transformation)
	
	plt.figure()
	plt.xticks([])
	plt.yticks([])
	plt.scatter(x1[y1==0][:, 0], x1[y1==0][:, 1], s=20)
	plt.scatter(x1[y1==1][:, 0], x1[y1==1][:, 1], s=20)
	plt.scatter(x1[y1==2][:, 0], x1[y1==2][:, 1], s=20)
	plt.show()

2.3 环形

	from sklearn.datasets import make_circles

	x1, y1 = make_circles(n_samples=500, noise=0.07, random_state=16, factor=0.6)

	plt.figure()
	plt.xticks([])
	plt.yticks([])
	plt.scatter(x1[y1==0][:, 0], x1[y1==0][:, 1], s=20)
	plt.scatter(x1[y1==1][:, 0], x1[y1==1][:, 1], s=20)
	plt.show()

2.4 圆形

  调整一下画板的尺寸，还可以变成圆形的形状：

	x1, y1 = make_circles(n_samples=500, noise=0.07, random_state=16, factor=0.6)

	plt.figure(figsize=(6, 6))
	plt.xticks([])
	plt.yticks([])
	plt.scatter(x1[y1==0][:, 0], x1[y1==0][:, 1], s=20)
	plt.scatter(x1[y1==1][:, 0], x1[y1==1][:, 1], s=20)
	plt.show()

2.5 月牙形

	from sklearn.datasets import make_moons


	x1, y1 = make_moons(n_samples=300, noise=0.07, random_state=120)

	plt.figure()
	plt.xticks([])
	plt.yticks([])
	plt.scatter(x1[y1==0][:, 0], x1[y1==0][:, 1], s=20)
	plt.scatter(x1[y1==1][:, 0], x1[y1==1][:, 1], s=20)
	plt.show()

结束语

  sklearn里面还有好多函数来自定制数据，除此之外还可以使用numpy生成，然后通过高级索引进行划分，最好结合着matplotlib中的cmap来做颜色映射，这样可以做出好玩又好看的数据集。