机器学习算法的随机数据生成

在学习机器学习算法的过程中，我们经常需要数据来验证算法，调试参数。但是找到一组十分合适某种特定算法类型的数据样本却不那么容易。还好numpy, scikit-learn都提供了随机数据生成的功能，我们可以自己生成适合某一种模型的数据，用随机数据来做清洗，归一化，转换，然后选择模型与算法做拟合和预测。下面对scikit-learn和numpy生成数据样本的方法做一个总结。

1. numpy随机数据生成API

numpy比较适合用来生产一些简单的抽样数据。API都在random类中，常见的API有：

1) rand(d0, d1, …, dn) 用来生成d0xd1x…dn维的数组。数组的值在[0,1]之间

例如：np.random.rand(3,2,2)，输出如下3x2x2的数组

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), 也是用来生成d0xd1x…dn维的数组。不过数组的值服从N(0,1)的标准正态分布。

例如：np.random.randn(3,2)，输出如下3×2的数组，这些值是N(0,1)的抽样数据。

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

如果需要服���$N(\mu,\sigma^2)$的正态分布，只需要在randn上每个生成的值x上做变换$\sigma x + \mu $即可，例如：

例如：2*np.random.randn(3,2) + 1，输出如下3×2的数组，这些值是N(1,4)的抽样数据。

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

3)randint(low[, high, size])，生成随机的大小为size的数据，size可以为整数，为矩阵维数，或者张量的维数。值位于半开区间 [low, high)。

例如：np.random.randint(3, size=[2,3,4])返回维数维2x3x4的数据。取值范围为最大值为3的整数。

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]) 返回维数为2×3的数据。取值范围为[3,6).

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

4) random_integers(low[, high, size]),和上面的randint类似，区别在与取值范围是闭区间[low, high]。

5) random_sample([size]), 返回随机的浮点数，在半开区间 [0.0, 1.0)。如果是其他区间[a,b),可以加以转换(b – a) * random_sample([size]) + a

例如： (5-2)*np.random.random_sample(3)+2 返回[2,5)之间的3个随机数。

array([ 2.87037573, 4.33790491, 2.1662832 ])

2. scikit-learn随机数据生成API介绍

scikit-learn生成随机数据的API都在datasets类之中，和numpy比起来，可以用来生成适合特定机器学习模型的数据。常用的API有：

1) 用make_regression 生成回归模型的数据

2) 用make_hastie_10_2，make_classification或者make_multilabel_classification生成分类模型数据

3) 用make_blobs生成聚类模型数据

4) 用make_gaussian_quantiles生成分组多维正态分布的数据

3. scikit-learn随机数据生成实例

3.1 回归模型随机数据

这里我们使用make_regression生成回归模型数据。几个关键参数有n_samples(生成样本数)， n_features(样本特征数)，noise(样本随机噪音)和coef(是否返回回归系数)。例子代码如下：

输出的图如下：

3.2 分类模型随机数据

这里我们用make_classification生成三元分类模型数据。几个关键参数有n_samples(生成样本数)， n_features(样本特征数)， n_redundant(冗余特征数)和n_classes(输出的类别数)，例子代码如下：

输出的图如下：

3.3 聚类模型随机数据

这里我们用make_blobs生成聚类模型数据。几个关键参数有n_samples(生成样本数)， n_features(样本特征数)，centers(簇中心的个数或者自定义的簇中心)和cluster_std(簇数据方差，代表簇的聚合程度)。例子如下：

输出的图如下：

3.4 分组正态分布混合数据

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：

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。