除了內置的數據集，scikit-learn還提供了隨機樣本的生成器。通過這些生成器函數，可以生成具有特定特性和分佈的隨機數據集，以幫助進行機器學習演算法的研究、測試和比較。 目前，scikit-learn庫（v1.3.0版）中有20個不同的生成樣本的函數。本篇重點介紹其中幾個具有代表性的函數。 1. ...
除了內置的數據集，scikit-learn還提供了隨機樣本的生成器。
通過這些生成器函數，可以生成具有特定特性和分佈的隨機數據集，以幫助進行機器學習演算法的研究、測試和比較。
目前，scikit-learn庫（v1.3.0版）中有20個不同的生成樣本的函數。
本篇重點介紹其中幾個具有代表性的函數。
1. 分類聚類數據樣本
分類和聚類是機器學習中使用頻率最高的演算法，創建各種相關的樣本數據，能夠幫助我們更好的試驗演算法。
1.1. make_blobs
這個函數通常用於可視化分類器的學習過程，它生成由聚類組成的非線性數據集。
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
X, Y = make_blobs(n_samples=1000, centers=5)
plt.scatter(X[:, 0], X[:, 1], marker="o", c=Y, s=25)
plt.show()
上面的示例生成了1000個點的數據，分為5個類別。
make_blobs的主要參數包括：
- n_samples：生成的樣本數。
- n_features：每個樣本的特征數。通常為2，表示我們生成的是二維數據。
- centers：聚類的數量。即生成的樣本會被分為多少類。
- cluster_std：每個聚類的標準差。這決定了聚類的形狀和大小。
- shuffle：是否在生成數據後打亂樣本。
- random_state：隨機數生成器的種子。這確保了每次運行代碼時生成的數據集都是一樣的。
1.2. make_classification
這是一個用於生成複雜二維數據的函數，通常用於可視化分類器的學習過程或者測試機器學習演算法的性能。
import matplotlib.pyplot as plt
from sklearn.datasets import make_classification
X, Y = make_classification(n_samples=100, n_classes=4, n_clusters_per_class=1)
plt.scatter(X[:, 0], X[:, 1], marker="o", c=Y, s=25)
plt.show()
可以看出它生成的各類數據交織在一起，很難做線性的分類。
make_classification的主要參數包括：
- n_samples：生成的樣本數。
- n_features：每個樣本的特征數。這個參數決定了生成的數據集的維度。
- n_informative：具有信息量的特征的數量。這個參數決定了特征集中的特征有多少是有助於分類的。
- n_redundant：冗餘特征的數量。這個參數決定了特征集中的特征有多少是重覆或者沒有信息的。
- random_state：隨機數生成器的種子。這確保了每次運行代碼時生成的數據集都是一樣的。
1.3. make_moons
和函數名稱所表達的一樣，它是一個用於生成形狀類似於月牙的數據集的函數，通常用於可視化分類器的學習過程或者測試機器學習演算法的性能。
from sklearn.datasets import make_moons
fig, ax = plt.subplots(1, 3)
fig.set_size_inches(9, 3)
X, Y = make_moons(noise=0.01, n_samples=1000)
ax[0].scatter(X[:, 0], X[:, 1], marker="o", c=Y, s=25)
ax[0].set_title("noise=0.01")
X, Y = make_moons(noise=0.05, n_samples=1000)
ax[1].scatter(X[:, 0], X[:, 1], marker="o", c=Y, s=25)
ax[1].set_title("noise=0.05")
X, Y = make_moons(noise=0.5, n_samples=1000)
ax[2].scatter(X[:, 0], X[:, 1], marker="o", c=Y, s=25)
ax[2].set_title("noise=0.5")
plt.show()
noise越小，數據的分類越明顯。
make_moons的主要參數包括：
- n_samples：生成的樣本數。
- noise：在數據集中添加的雜訊的標準差。這個參數決定了月牙的雜訊程度。
- random_state：隨機數生成器的種子。這確保了每次運行代碼時生成的數據集都是一樣的。
2. 回歸數據樣本
除了分類和聚類，回歸是機器學習的另一個重要方向。scikit-learn同樣也提供了創建回歸數據樣本的函數。
from sklearn.datasets import make_regression
fig, ax = plt.subplots(1, 3)
fig.set_size_inches(9, 3)
X, y = make_regression(n_samples=100, n_features=1, noise=20)
ax[0].scatter(X[:, 0], y, marker="o")
ax[0].set_title("noise=20")
X, y = make_regression(n_samples=100, n_features=1, noise=10)
ax[1].scatter(X[:, 0], y, marker="o")
ax[1].set_title("noise=10")
X, y = make_regression(n_samples=100, n_features=1, noise=1)
ax[2].scatter(X[:, 0], y, marker="o")
ax[2].set_title("noise=1")
plt.show()
通過調節noise參數，可以創建不同精確度的回歸數據。
make_regression的主要參數包括：
- n_samples：生成的樣本數。
- n_features：每個樣本的特征數。通常為一個較小的值，表示我們生成的是一維數據。
- noise：噪音的大小。它為數據添加一些隨機雜訊，以使結果更接近現實情況。
3. 流形數據樣本
所謂流形數據，就是S形或者瑞士捲那樣旋轉的數據，可以用來測試更複雜的分類模型的效果。
比如下麵的make_s_curve函數，就可以創建S形的數據：
from sklearn.datasets import make_s_curve
X, Y = make_s_curve(n_samples=2000)
fig, ax = plt.subplots(subplot_kw={"projection": "3d"})
fig.set_size_inches((8, 8))
ax.scatter(X[:, 0], X[:, 1], X[:, 2], c=Y, s=60, alpha=0.8)
ax.view_init(azim=-60, elev=9)
plt.show()
4. 總結
本文介紹的生成樣本數據的函數只是scikit-learn庫中各種生成器的一部分，
還有很多種其他的生成器函數可以生成更加複雜的樣本數據。
所有的生成器函數請參考文檔：
https://scikit-learn.org/stable/modules/classes.html#samples-generator
