(图片作者)
人工或合成数据是一种通过计算机算法人工生成的数据。相反的是来自真实事件的真实数据。
在机器学习和深度学习中，我们经常出于以下目的利用合成数据。
- 来演示机器学习算法是如何在幕后工作的。
- 来验证机器学习模型中的假设。
- 为深度学习模型生成大量数据。从真实世界的事件中获取如此大量的数据成本太高、太困难、太耗时。
- 生成满足特定条件的数据，这些条件通常在真实世界的数据中是不存在的。
- 来控制数据。我们可以指定有多少特征、观察值、聚类等。通过简单地改变数据生成器算法中的参数值，数据应该具有。
- 来验证机器学习和深度学习模型。
- 无需担心数据的隐私，因为数据是合成的。
本文描述的方法包括 7 个 Scikit-learn 实用程序(数据生成器算法),用于生成不同类型的合成数据。我还将包括每种类型的图形可视化和特定用例。
我们开始吧！
通常，合成数据是通过从分布中抽取数字的算法生成的。这个过程包含了某种随机性。数据生成器算法中的随机状态用于控制任何此类随机性，以在不同的执行中获得一致的结果。你可以使用任何整数作为随机状态，正如我在这里描述的。默认设置是None，它使用来自np.random的全局随机状态实例，并在不同的执行中产生不同的结果。
sci kit-learnmake _ blobs算法生成包含不同 blob(集群)的多类数据集。每个聚类中的数据点呈正态分布。它具有控制每个集群的中心和标准偏差的参数。
调用 make_blobs 函数(作者代码)
可视化斑点数据(图片由作者提供)
重要超参数
- n_samples: 要生成的数据点(观察/样本)总数。通常，这是一个整数。默认值为 100。
- n_features: 每个数据点的特征(变量)数量。默认值为 2。
- **中心:**要生成的簇(斑点)的数量。通常，这需要一个整数值。默认为
None。 - cluster_std: 分类的标准偏差。这需要一个浮点值。默认值为 1.0。
- random_state: 这是用于控制随机性，并在不同的执行中获得一致的结果。您可以使用任何整数。默认为
None。
返回
- X: 生成的样本以***【n _ samples，n _ features】***的形式出现。
- y: 每个样本的整数标签(从 0 开始)，表示该样本属于哪个聚类。
使用案例
- 演示 k-means 算法的假设。
- 通过对 k-means 聚类进行剪影分析来演示最佳聚类数的选择。
- 演示 k-means 聚类的质心初始化。
Scikit-learnmake _ circles算法在二维空间中生成一个包含一个较小圆的大圆。数据遵循高斯(正态)分布。
调用 make_circles 函数(作者代码)
可视化圆数据(图片由作者提供)
重要超参数
- n_samples: 要生成的数据点(观察值/样本)总数。通常，这是一个整数。默认值为 100。我们还可以使用二元元组分别指定每个外圆和内圆的数据点数。
- random_state: 这是用来控制随机性，在不同的执行中得到一致的结果。您可以使用任何整数。默认是
None。 - **因子:**内外圆之间的比例因子。这需要一个介于 0 和 1 之间的浮点值。默认值为 0.8。
- **噪声:**加到数据上的高斯噪声的标准差。这需要一个浮点值。默认为
None，表示无噪音。
下图显示了由高斯噪声为 0.05 的 make_circles 算法生成的数据示例。
可视化带有高斯噪声的圆形数据(图片由作者提供)
返回
- X: 生成的样本以 (n_samples，2) 的形式出现。
- y: 每个样本的整数标签(0 或 1)表示该样本属于哪个循环。
用例
- 为二元分类任务建立球形决策边界。
- 来展示 PCA 和内核 PCA 的区别。
Scikit-learn make_moons 算法在二维空间中生成两个交错的半圆，称为 moons 。数据遵循高斯(正态)分布。
调用 make_moons 函数(作者代码)
可视化月球数据(图片由作者提供)
重要超参数
- n_samples: 要生成的数据点(观察/样本)总数。通常，这是一个整数。默认值为 100。我们还可以使用二元元组分别指定每个月亮的数据点数量。
- **噪声:**加到数据上的高斯噪声的标准差。这需要一个浮点值。默认值为
None，表示没有噪音。 - random_state: 这是用来控制随机性，在不同的执行中得到一致的结果。您可以使用任何整数。默认为
None。
下图显示了由高斯噪声为 0.05 的 make_moons 算法生成的数据示例。
可视化带有高斯噪声的卫星数据(图片由作者提供)
退货
- X: 生成的样本形式为 (n_samples，2) 。
- y: 每个样本的整数标签(0 或 1)表示样本属于哪个卫星。
用例
- 为二元分类任务建立非线性决策边界。
- 来展示 PCA 和内核 PCA 的区别。
sci kit-learnmake _ classification算法生成一个随机 n 类(多类)分类数据集。数据呈正态分布。使用n _ informational、 n_redundant、 和n _ clusters _ per _ class参数将噪声添加到数据中。
调用 make_classification 函数(作者代码)
可视化两类分类数据(图片由作者提供)
重要超参数
- n_samples: 要生成的数据点(观察值/样本)总数。通常，这是一个整数。默认值为 100。
- n_features: 每个数据点的特征(变量)数量。默认值为 20。
- **n _ 冗余:**冗余特征的数量。这需要一个整数。默认值为 2。
- **n _ informational:**用于构建分类模型的特征数量，该分类模型用于生成输出。这需要一个整数。默认值为 2。
- n_repeated: 重复(复制)特征的数量。这需要一个整数。默认值为 0。
- n_classes: 数据中的类数。这需要一个整数。默认值为 2。
- n_clusters_per_class: 每个类的聚类数。这需要一个整数。默认值为 2。
- class_sep: 这需要一个浮点值。默认值为 1.0。较大的值分散了聚类/类，使分类任务更容易。
- random_state: 这是用于控制随机性，并在不同的执行中获得一致的结果。您可以使用任何整数。默认为
None。
下图显示了由 make_classification 算法生成的三个类的数据示例。
可视化三类分类数据(图片由作者提供)
退货
- X: 以 (n_samples，n_features) 的形式生成样本。
- y: 每个样本的整数标签(从 0 开始)，表示该样本属于哪个类别。
使用案例
- 为多类分类任务生成数据。
- 为二元分类任务生成非线性决策边界。
sci kit-learnmake _ regression算法为回归任务生成随机数据。
调用 make_regression 函数(作者代码)
可视化回归数据(图片由作者提供)
重要超参数
- n_samples: 要生成的数据点(观察/样本)总数。这是一个整数。默认值为 100。
- n_features: 每个数据点的特征(变量)数量。默认值为 100。
- **n _ informational:**用于构建生成输出的线性模型的特征数量。这是一个整数。默认值为 10。
- n_targets: 回归目标的个数。换句话说，它是回归(y)输出的维度。这是一个整数。默认值为 1，这意味着默认情况下输出为标量。
- **偏差:**基础线性模型的偏差项(截距)。
- **噪声:**加到数据上的高斯噪声的标准差。这需要一个浮点值。默认值为 0.0，表示没有噪波。
- random_state: 这是用于控制随机性，并在不同的执行中获得一致的结果。您可以使用任何整数。默认为
None。
返回
- X: 生成的样本以***【n _ samples，n _ features】***的形式出现。
- y: 输出值。
n_targets=1时包含标量值。值的个数等于由 n_samples 定义的样本数。
用例
- 为回归任务生成数据。
sci kit-learnmake _ Swiss _ roll算法在三维空间中生成一个 Swiss roll 数据集。瑞士卷是一种 2D 流形(形状)，可以在更高维度的空间(如 3D)中弯曲和扭曲。
调用 make_swiss_roll 函数 n(作者代码)
在 3D 散点图中可视化瑞士卷数据(图片由作者提供)
重要超参数
- n_samples: 瑞士卷上数据点(观察值/样本)的数量。这是一个整数。默认值为 100。
- **噪声:**加到数据上的高斯噪声的标准差。这需要一个浮点值。默认值为 0.0，表示没有噪波。
- random_state: 这是，用于控制随机性，并在不同的执行中获得一致的结果。您可以使用任何整数。默认是
None。
下图显示了高斯噪声为 1.0 的 make_swiss_roll 算法生成的数据示例。
在带有高斯噪声的 3D 散点图中可视化瑞士法郎数据(图片由作者提供)
退货
- X: 生成的样本以 (n_samples，3) 的形式出现。
- t: 样本的单变量位置，根据流形中各点的主维。
用例
- 演示多种学习方法的比较。
sci kit-learnmake _ S _ curve算法在三维空间中生成 S 曲线数据集。
调用 make_s_curve 函数 n(作者代码)
在 3D 散点图中可视化 S 曲线数据(图片由作者提供)
重要的超参数
- **n _ samples:**S 曲线上数据点(观测值/样本)的数量。这是一个整数。默认值为 100。
- **噪声:**加到数据上的高斯噪声的标准差。这需要一个浮点值。默认值为 0.0，表示没有噪波。
- random_state: 这是用于控制随机性，并在不同的执行中获得一致的结果。您可以使用任何整数。默认为
None。
下图显示了高斯噪声为 1.0 时由 make_s_curve 算法生成的数据示例。
在带有高斯噪声的 3D 散点图中可视化 S 曲线数据(图片由作者提供)
返回
- X: 生成的样本以的形式出现 (n_samples，3) 。
- t: 样本的单变量位置，根据流形中各点的主维。
用例
- 演示多种学习方法的比较。
- make_blobs 和make _ class ification算法都创建 n 类(多类)分类数据集。各种情况下的数据点呈正态分布。
- make _ classification有很多选项来控制数据。 make_blobs 是make _ class ification的简化变体。
- make_blobs 提供对每个簇的中心和标准偏差的更大控制。
- make_circles 和make _ moons都在二维空间生成数据，用于分类任务。
- make _ regression为回归任务生成随机数据。**
- *****make _ Swiss _ roll和make _ s _ curve都在三维空间中生成用于流形学习的数据——一种用于非线性降维方法的方法。*
今天的帖子到此结束。
如果您有任何问题或反馈，请告诉我。
我希望你喜欢阅读这篇文章。如果你愿意支持我成为一名作家，请考虑 注册会员 以获得无限制的媒体访问权限。它只需要每月 5 美元，我会收到你的会员费的一部分。
rukshanpramoditha.medium.com](https://rukshanpramoditha.medium.com/membership)
非常感谢你一直以来的支持！下一篇文章再见。祝大家学习愉快！**
- https://sci kit-learn . org/stable/modules/classes . html # samples-generator
- https://sci kit-learn . org/stable/datasets/sample _ generators . html
鲁克山普拉莫迪塔 2022–05–11