62
67

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

More than 5 years have passed since last update.

機械学習 〜 データセット生成 〜

Posted at

今回は scikit-learn の データセット生成を試してみます。

回帰データセット生成

make_regression

sklearn.datasets.make_regression クラスを使用します。

引数

引数 内容
n_samples サンプル数
n_features 特徴量の数
n_informative 目的変数のラベルと相関が強い特徴量の数
noise ガウシアンノイズの標準偏差
bias バイアス(切片)
coef True設定時、基礎となる線形モデルの重みを返却 (default=False)

インポート

%matplotlib inline
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

データセット生成

特徴量の数を 4、目的変数に対して相関の強い特徴量の数を 2、
ノイズを 10.0 に設定してデータセットを生成します。

from sklearn.datasets import make_regression

X, Y, coef = make_regression(random_state=12, 
                       n_samples=100, 
                       n_features=4,
                       n_informative=2,
                       noise=10.0,
                       bias=-0.0,
                       coef=True)

print("X =", X[:5])
print("Y =", Y[:5])
print("coef =", coef)

plt.figure(figsize=(20, 4))
plt.subplot(1, 4, 1)
plt.title("Feature 1")
plt.plot(X[:, 0], Y, "bo")
plt.subplot(1, 4, 2)
plt.title("Feature 2")
plt.plot(X[:, 1], Y, "ro")
plt.subplot(1, 4, 3)
plt.title("Feature 3")
plt.plot(X[:, 2], Y, "go")
plt.subplot(1, 4, 4)
plt.title("Feature 4")
plt.plot(X[:, 3], Y, "yo")

以下のようなデータが出力されます。

X = [[-1.51308726 -0.66429757  0.35133554 -0.48403143]
 [-1.78809425 -1.15436024 -2.21333348 -1.68175651]
 [-1.08851741 -0.29182345  0.73414765 -0.12549567]
 [-0.12022767  0.75314283 -1.53472134  0.00512708]
 [-0.08552138  0.33139302 -1.07281476  1.28944858]]
Y = [ -19.76575122 -227.36295209   38.25387403  -34.67388071  -31.76298106]
coef = [ 0.         88.25898063 63.26534186  0.        ]

プロットを表示してみると、赤と緑のプロットが相関のある特徴量となっています。

dataset_linear1.png

分類データセット生成

make_blobs

sklearn.datasets.make_blobs クラスを使用します。

引数

引数 内容
n_samples サンプル数
n_features 特徴量の数
centers 中心の個数(塊数)
cluster_std クラスタの標準偏差

データセット生成

特徴量の数を 2、塊数を3 に設定してデータセットを生成します。

####################################
# ブロブデータ生成
####################################
from sklearn.datasets import make_blobs

X, Y = make_blobs(random_state=8,
                  n_samples=100, 
                  n_features=2, 
                  cluster_std=1.5,
                  centers=3)

print("X =", X[:3])
print("Y =", Y)

plt.figure(figsize=(8, 7))
plt.scatter(X[:, 0], X[:, 1], marker='o', c=Y, s=25, edgecolor='k')
plt.xlabel("Feature 1")
plt.ylabel("Feature 2")

以下のようなデータが出力されます。

X = [[ -6.71102744 -10.55634522]
 [ -5.23444824 -13.29219851]
 [ -7.25731608 -11.53143949]]
Y = [2 2 2 0 2 0 2 2 2 1 0 0 1 2 2 0 0 2 1 1 0 0 0 0 1 1 2 2 1 2 0 1 1 0 1 2 0
 2 1 1 2 1 0 1 0 1 0 0 2 0 0 2 1 0 2 2 0 1 0 1 1 2 1 0 2 1 0 0 0 1 0 1 0 0
 2 2 2 1 1 0 2 2 2 2 0 1 2 0 0 2 1 1 1 1 2 1 1 2 0 1]

塊が3つ表示されました。

dataset_blob1.png

make_classification

sklearn.datasets.make_classification クラスを使用します。

引数

引数 内容
n_samples サンプル数
n_features 特徴量の数
n_informative 目的変数のラベルと相関が強い特徴量の数
n_clusters_per_class 1クラスのクラスタ数
n_classes 分類クラス数

データセット生成(2クラス)

from sklearn.datasets import make_classification

####################################
# 2クラス分類
####################################
X, Y = make_classification(random_state=12,
                           n_features=2, 
                           n_redundant=0, 
                           n_informative=1,
                           n_clusters_per_class=1,
                           n_classes=2)
print("X =", X[:3])
print("Y =", Y[:20])

plt.figure(figsize=(8, 7))
plt.title("make_classification : n_features=2  n_classes=2")
plt.scatter(X[:, 0], X[:, 1], marker='o', c=Y, s=25, edgecolor='k')
plt.xlabel("Feature 1")
plt.ylabel("Feature 2")

以下のようなデータが出力されます。

X = [[-1.38809422 -1.37759603]
 [-0.66625812 -0.48403143]
 [-1.07009269 -0.25080271]]
Y = [0 0 0 1 0 1 1 0 1 0 1 0 0 1 0 1 0 1 0 0]

dataset_class2.png

データセット生成(3クラス)

####################################
# 3クラス分類
####################################
X, Y = make_classification(random_state=11,
                           n_features=2, 
                           n_redundant=0, 
                           n_informative=2,
                           n_clusters_per_class=1, 
                           n_classes=3)
print("X =", X[:3])
print("Y =", Y[:20])

plt.figure(figsize=(8, 7))
plt.title("make_classification : n_features=2  n_classes=3")
plt.scatter(X[:, 0], X[:, 1], marker='o', c=Y, s=25, edgecolor='k')
plt.xlabel("Feature 1")
plt.ylabel("Feature 2")

以下のようなデータが出力されます。
3クラス分類のデータになっています。

X = [[-0.76615642  0.09045822]
 [ 1.35779151  0.27391384]
 [-1.15957914  1.06208186]]
Y = [2 1 0 1 0 1 0 0 2 2 0 0 0 0 1 1 2 1 2 2]

dataset_class3.png

make_gaussian_quantiles

sklearn.datasets.make_gaussian_quantiles クラスを使用します。

引数

引数 内容
n_features 特徴量の数
n_classes 中心の個数(塊数)

データセット生成

特徴量の数を 2、塊数を2 に設定してデータセットを生成します。

from sklearn.datasets import make_gaussian_quantiles

X, Y = make_gaussian_quantiles(random_state=0,
                               n_features=2, 
                               n_classes=2)
print("X =", X[:3])
print("Y =", Y[:20])

plt.figure(figsize=(8, 7))
plt.title("make_gaussian_quantiles : n_features=2  n_classes=2")
plt.scatter(X[:, 0], X[:, 1], marker='o', c=Y, s=25, edgecolor='k')
plt.xlabel("Feature 1")
plt.ylabel("Feature 2")

以下のようなデータが出力されます。

X = [[-0.09845252 -0.66347829]
 [ 1.8831507  -1.34775906]
 [-0.90729836  0.0519454 ]]
Y = [0 1 0 1 1 0 0 1 0 0 1 0 1 1 1 0 1 1 1 1]

線形分離不可能なデータが出力されました。

Screenshot from 2018-07-27 17-14-09.png

以上、 scikit-learn の データセット生成を試してみました。

62
67
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
62
67

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?