Tworzenie syntetycznych zbiorów danych przy użyciu scikit-learn

Prywatność danych i anonimizacja w Pythonie

Rebeca Gonzalez

Data engineer

Generowanie zbiorów danych przy użyciu Scikit-learn

Możemy tworzyć zbiory danych próbkowane z rozkładów prawdopodobieństwa
Na przykład z rozkładu normalnego

Reprezentacja histogramu o rozkładzie normalnym

Rozkład normalny

Często występują w naturze

Wzrost
Ciśnienie krwi
Wyniki IQ

Histogram wartości wzrostu z dużego zbioru danych o rozkładzie normalnym

Próbkowanie z rozkładu normalnego

import numpy as np


# Create new pandas DataFrame
new_measures = pd.DataFrame()


# Selecting the mean/center values and the standard deviation of the sample
mean = 65
standard_deviation = 2


# Generating the sample 
new_measures['Height'] = np.random.normal(mean, standard_deviation, 10000)

Próbkowanie z rozkładu normalnego

# Draw histogram to see the resulting heights distribution
new_measures['Height'].hist(bins=50)

Histogram wynikowych danych

Tworzenie zbiorów danych przy użyciu scikit-learn

Scikit-learn oferuje proste funkcje do generowania zbiorów danych dla:

Klasyfikacji
Grupowania
Regresji

Dane syntetyczne do klasyfikacji i grupowania

`make_classification()`

Tworzy normalnie rozłożone skupiska punktów
Może generować cechy skorelowane i nieinformatywne

`make_blobs()`

Większa kontrola nad środkami i odchyleniami standardowymi skupisk

Dane syntetyczne do klasyfikacji

# Import make_classification from sklearn datasets module
from sklearn.datasets import make_classification


# Generate the samples and their labels
x, y = make_classification(n_samples=1000,

                           n_classes=2,

                           n_informative=2,

                           n_features=4,

                           n_clusters_per_class=2,

                           class_sep=1)

Dane syntetyczne do klasyfikacji

# See the generated data and labels
print(x.shape)
print(y.shape)
print(x)

(1000, 4)
(1000,)
[[ 1.22914870e+00 -2.62386795e+00  2.25878743e+00  2.55377055e+00]
 [-1.10279812e+00 -1.15816087e+00  1.55571279e+00  7.80565898e-02]
 [ 2.65581977e-03 -2.33278818e+00  2.37837858e+00  1.57533194e+00]
 ...
 [ 4.51006972e-01  7.53435745e-01 -9.21597108e-01 -2.20659747e-01]
 [ 5.31925876e-01  7.42210504e-01 -9.37625248e-01 -1.61488855e-01]
 [ 1.62862108e+00 -2.72435345e+00  2.22562940e+00  2.87628246e+00]]

Dane syntetyczne do klasyfikacji

Wykres punktów danych w wygenerowanym zbiorze 2-klasowym

Dane syntetyczne do klasyfikacji

Trzy wykresy przedstawiające wygenerowany zbiór danych z różnymi wartościami class_sep. Po lewej punkty są bardzo blisko siebie, po prawej są wyraźnie rozdzielone

Dane syntetyczne do grupowania

# Import the datasets module for generating clustering datasets
from sklearn.datasets import make_blobs


# Specify a value for standard deviation
standard_deviation = 1.5


# Generate the data and labels of the dataset
x, labels = make_blobs(n_features=3,
                      centers=4,
                      cluster_std=standard_deviation)


# See the shape of the generated data
print(x.shape)

(100, 3)

Dane syntetyczne do grupowania

Wykres punktów danych grupowania – jeden kolor dla każdego skupiska. 4 środki dla 4 skupisk.

Dane syntetyczne do grupowania

Trzy wykresy pokazujące wpływ odchylenia standardowego na punkty danych. Po lewej skupiska są blisko środka, po prawej punkty są bardzo rozproszone.

Czas na ćwiczenia!

Prywatność danych i anonimizacja w Pythonie