Python sklearn 中的 make_blobs() 函数示例详解

一、介绍

make_blobs() 是 sklearn.datasets中的一个函数。

主要是产生聚类数据集，产生一个数据集和相应的标签。

函数的源代码如下：

def make_blobs(n_samples = 100, n_features = 2, centers = 3, cluster_std = 1.0,
              center_box = (-10.0, 10.0), shuffle = True, random_state = None):
   """Generate isotropic Gaussian blobs for clustering.

Read more in the :ref:`User Guide <sample_generators>`.

Parameters
   ----------
   n_samples : int, optional (default=100)
       The total number of points equally divided among clusters.

n_features : int, optional (default=2)
       The number of features for each sample.

centers : int or array of shape [n_centers, n_features], optional
       (default=3)
       The number of centers to generate, or the fixed center locations.

cluster_std: float or sequence of floats, optional (default=1.0)
       The standard deviation of the clusters.

center_box: pair of floats (min, max), optional (default=(-10.0, 10.0))
       The bounding box for each cluster center when centers are
       generated at random.

shuffle : boolean, optional (default=True)
       Shuffle the samples.

random_state : int, RandomState instance or None, optional (default=None)
       If int, random_state is the seed used by the random number generator;
       If RandomState instance, random_state is the random number generator;
       If None, the random number generator is the RandomState instance used
       by `np.random`.

Returns
   -------
   X : array of shape [n_samples, n_features]
       The generated samples.

y : array of shape [n_samples]
       The integer labels for cluster membership of each sample.

Examples
   --------
   >>> from sklearn.datasets.samples_generator import make_blobs
   >>> X, y = make_blobs(n_samples=10, centers=3, n_features=2,
   ...                   random_state=0)
   >>> print(X.shape)
   (10, 2)
   >>> y
   array([0, 0, 1, 0, 2, 2, 2, 1, 1, 0])

See also
   --------
   make_classification: a more intricate variant
   """
   generator = check_random_state(random_state)

if isinstance(centers, numbers.Integral):
       centers = generator.uniform(center_box[0], center_box[1],
                                   size=(centers, n_features))
   else:
       centers = check_array(centers)
       n_features = centers.shape[1]

if isinstance(cluster_std, numbers.Real):
       cluster_std = np.ones(len(centers)) * cluster_std

X = []
   y = []

n_centers = centers.shape[0]
   n_samples_per_center = [int(n_samples // n_centers)] * n_centers

for i in range(n_samples ％ n_centers):
       n_samples_per_center[i] += 1

for i, (n, std) in enumerate(zip(n_samples_per_center, cluster_std)):
       X.append(centers[i] + generator.normal(scale = std,
                                              size = (n, n_features)))
       y += [i] * n

X = np.concatenate(X)
   y = np.array(y)

if shuffle:
       indices = np.arange(n_samples)
       generator.shuffle(indices)
       X = X[indices]
       y = y[indices]

return X, y

二、函数的使用

make_blobs(n_samples = 100, n_features = 2, centers = 3, cluster_std = 1.0, center_box = (-10.0, 10.0), shuffle = True, random_state = None)

可以看到它有 7 个参数：

• n_samples = 100 ，表示数据样本点个数,默认值100；

• n_features = 2 ，是每个样本的特征（或属性）数，也表示数据的维度，默认值是2；

• centers = 3 ，表示类别数（标签的种类数），默认值3；

• cluster_std = 1.0 ，表示每个类别的方差，例如我们希望生成2类数据，其中一类比另一类具有更大的方差，可以将cluster_std设置为[1.0, 3.0]，浮点数或者浮点数序列，默认值1.0；

• center_box = (-10.0, 10.0) ，中心确定之后的数据边界，默认值(-10.0, 10.0)；

• shuffle = True ，将数据进行洗乱，默认值是True；

• random_state = None ，官网解释是随机生成器的种子，可以固定生成的数据，给定数之后，每次生成的数据集就是固定的。若不给定值，则由于随机性将导致每次运行程序所获得的的结果可能有所不同。在使用数据生成器练习机器学习算法练习或python练习时建议给定数值。

来源：https://blog.csdn.net/wzk4869/article/details/129117675