sklearn 随机数据生成API (一)
来源:互联网 发布:qt5.4连接mysql数据库 编辑:程序博客网 时间:2024/06/06 04:19
都需要的lib:
import numpy as npimport matplotlib.pyplot as plt
1.回归模型随机数据
#make_regression生成回归模型数据from sklearn.datasets import make_regression#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# 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)plt.scatter(X,y,c='b',s=3)plt.plot(X,X*coef,c='r')plt.xticks(()) #不显示 xplt.yticks(()) #不显示 yplt.show()
2.分类模型随机数据
#make_classification生成三元分类模型数据from sklearn.datasets import make_classification#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)# X1为样本特征,Y1为样本类别输出, 共400个样本,每个样本2个特征,输出有3个类别,没有冗余特征,每个类别一个簇X1,Y1=make_classification(n_samples=400,n_features=2,n_redundant=0,n_clusters_per_class=1,n_classes=3)plt.scatter(X1[:,0],X1[:,1],c=Y1,s=3,marker='o')plt.show()
3.聚类模型随机数据
#make_blobs生成聚类模型数据from sklearn.datasets import make_blobs#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)# X为样本特征,Y为样本簇类别, 共1000个样本,每个样本2个特征,共3个簇,簇中心在[-1,-1], [1,1], [2,2], 簇方差分别为[0.4, 0.5, 0.2]X,y=make_blobs(n_samples=1000,n_features=2,centers=[[-1,-1],[1,1],[2,2]],cluster_std=[0.4,0.5,0.2])plt.scatter(X[:,0],X[:,1],c=y,s=3,marker='o')plt.show()
4.分组正态分布混合数据
#make_gaussian_quantiles生成分组多维正态分布的数据from sklearn.datasets import make_gaussian_quantiles#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)#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2X1,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,s=3)plt.show()
阅读全文
0 0
- sklearn 随机数据生成API (一)
- sklearn 常用api(一)
- sklearn数据集随机切分(train_test_split)
- sklearn数据集随机切分(train_test_split)
- 【sklearn】数据预处理(一)
- matlab生成随机数据
- rand生成随机数据
- 随机数据生成
- sklearn之训练数据和测试数据随机选取
- sklearn 学习(一)数据集介绍
- Sklearn中的随机森林
- Sklearn-RandomForest随机森林
- EXCEL生成正态分布随机数据
- 用已有数据生成随机测试数据
- c++ 随机生成社区数据
- 生成有偏随机数据
- js随机生成模拟数据
- 随机生成数据 文件数据的输入输出
- go语言中type的几种使用
- Spring+SpringMVC+MyBatis整合
- EPageTools (tools)
- JS基础
- angular中重要指令介绍($eval,$parse和$compile)
- sklearn 随机数据生成API (一)
- Linux下OpenSSL 源码安装的9个步骤
- Python之DataFrame数据处理
- 廖学峰老师的私家菜谱
- 《日本语能力测试阶梯导学听解专训N2》-初步的笔记
- maven项目引入spring boot依赖之后filter不生效的问题
- pdf2swf在线无法展示单页PDF
- 1056. 组合数的和(15)
- 目标检测中的尺度--An Analysis of Scale Invariance in Object Detection – SNIP