Створення синтетичних наборів даних у scikit-learn

Конфіденційність даних і анонімізація в Python

Rebeca Gonzalez

Data engineer

Генерація наборів даних у Scikit-learn

Ми можемо створювати набори даних, вибираючи значення з імовірнісних розподілів
Наприклад, з нормального розподілу

Зображення гістограми з нормальним розподілом

Нормальний розподіл

Часто трапляється в природі

Зріст
Артеріальний тиск
Показники IQ

Гістограма значень зросту у великому наборі даних, що мають нормальний розподіл

Вибірка з нормального розподілу

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)

Вибірка з нормального розподілу

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

Гістограма отриманих даних

Створення наборів даних у scikit-learn

У Scikit-learn є прості функції для генерації наборів даних для:

Класифікації
Кластеризації
Регресії

Синтетичні дані для класифікації та кластеризації

`make_classification()`

Створює нормально розподілені кластери точок
Може генерувати корельовані та неінформативні ознаки

`make_blobs()`

Дає більше контролю над центрами та стандартними відхиленнями кластерів

Синтетичні дані для класифікації

# 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)

Синтетичні дані для класифікації

# 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]]

Синтетичні дані для класифікації

Графік точок даних у згенерованому наборі для 2 класів

Синтетичні дані для класифікації

Три графіки, що показують згенерований набір і точки даних за різних значень class_sep. Ліворуч точки дуже близько розташовані, праворуч — добре розділені.

Синтетичні дані для кластеризації

# 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)

Синтетичні дані для кластеризації

Графік із результатом кластеризації: точки різних кольорів для кожного кластера. 4 центри для 4 кластерів.

Синтетичні дані для кластеризації

Три графіки, що показують, як стандартне відхилення впливає на точки даних: ліворуч кластери щільні біля центру, праворуч точки сильно розсіяні.

Давайте потренуємось!

Конфіденційність даних і анонімізація в Python