机器学习完全指南：如何用 Python 生成合成数据集？

神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。

编者按：机器学习在越来越多的领域中凸显出其不可替代的重要性，人们开始从各领域渗透机器学习的典型案例，希望其大规模投入使用，而数据集对机器学习的效果起了决定性作用。这篇文章，原标题是How to Make Synthetic Datasets with Python: A Complete Guide for Machine Learning，作者Dario Radečić在文中主要介绍了如何用Python生成合成数据集，希望对你有所帮助。

推荐阅读：2021 年你应该学会的 5 个 Python 小技巧

图片来源：Pexels.com @Christina Morillo

我们总是很难找到好的数据集。有时候，你可能只想提出一个观点。在这些情况下，繁琐的加载和准备工作则会显得有点多。

在这篇文章中，我将跟大家分享如何用Python和Scikit-Learn（一个非常好的机器学习库）生成合成数据集。此外，你还将了解如何处理噪声，类别平衡和类分离等内容。 

懒人目录

生成你的第一个合成数据集

添加噪声

调整类别平衡

调整类分离

对于概念和想法展示而言，现实世界中的数据集总是盈千累万。

假设你想要直观地解释SMOTE算法（一种处理类别平衡的技术）。首先，你必须找到一个类别不平衡的数据集，并且把它映射到二维或三维空间上，以便于可视化工作。

当然，还有更好的解决方案。

Scikit-Learn库附带了一个方便的make_classification()函数。虽然这个函数不是唯一一个生成合成数据集的函数，但你在如今必然会频繁地使用它。

这个函数接受各种参数，可以让你控制数据集的具体信息，下文中会进一步介绍。

首先，你需要导入所需的库。你可以参考以下代码段：

import numpy as np import pandas as pdfrom sklearn.datasets import make_classification

import matplotlib.pyplot as pltfrom matplotlib import rcParamsrcParams['axes.spines.top'] = FalsercParams['axes.spines.right'] = False

你将开始生成自己的第一个数据集。

这个数据集有1000个样本，这些样本被分为0和1两类，为了确保样本类别平衡，每一类的占比都是50%。

每个类别的所有样本都以一个单独的簇为中心。为了提高可视化效果，该数据集只有两个特征：

X, y = make_classification(    n_samples=1000,    n_features=2,    n_redundant=0,    n_clusters_per_class=1,    random_state=42)

df = pd.concat([pd.DataFrame(X), pd.Series(y)], axis=1)df.columns = ['x1', 'x2', 'y']# 5 random rowsdf.sample(5)

调用sample()函数可以列出五个随机的数据点：

图片来源：Dario Radečić

这五个随机数据点还无法提供数据集背后的完整信息。该数据集是二维的，所以你可以声明一个用于数据可视化的函数。比如，你可以声明这样一个函数：

def plot(df: pd.DataFrame, x1: str, x2: str, y: str, title: str = '', save: bool = False, figname='figure.png'):    plt.figure(figsize=(14, 7))    plt.scatter(x=df[df[y] == 0][x1], y=df[df[y] == 0][x2], label='y = 0')    plt.scatter(x=df[df[y] == 1][x1], y=df[df[y] == 1][x2], label='y = 1')    plt.title(title, fontsize=20)    plt.legend()    if save:        plt.savefig(figname, dpi=300, bbox_inches='tight', pad_inches=0)    plt.show()

plot(df=df, x1='x1', x2='x2', y='y', title='Dataset with 2 classes')

这是该数据集可视化之后的效果：

图2：合成数据集的可视化效果。图片来源：Dario Radečić

整个过程十分迅速！你现在拥有一个简单的能够自行处理的合成数据集。接下来，你将学习如何添加一些噪声。

你可以使用make_classification()函数的flip_y参数来添加噪声。

这个参数代表y（每一个样本中的类成员的整数标签）噪声值的比重。更大的值可以将噪声引入到标签中，并且使得分类任务更加困难。

值得注意的是，在某些情况下，默认设置flip_y > 0可能会导致y中缺少n_classes（类别数量）。

下面是使用该参数处理我们的数据集，为其添加噪声的演示：

X, y = make_classification(    n_samples=1000,    n_features=2,    n_redundant=0,    n_clusters_per_class=1,    flip_y=0.15,    random_state=42)

df = pd.concat([pd.DataFrame(X), pd.Series(y)], axis=1)df.columns = ['x1', 'x2', 'y']

plot(df=df, x1='x1', x2='x2', y='y', title='Dataset with 2 classes - Added noise')

下图是对应的可视化效果。

图3：在合成数据中添加噪声的可视化效果。图片来源：Dario Radečić

你能看见蓝色簇中有更多的橘色点，反之亦如此，至少和图2比较时，这个发现是成立的。

以上就是添加噪声的方式与过程。接下来我们将讲解类别平衡。

在现实世界的数据集中，我们总能看到类别不平衡的情况。一些数据集甚至存在极大的类别不平衡问题。例如，1000笔银行交易中，可能有一笔交易是诈骗交易，这就意味着其平衡比例为1:1000。 

你可以使用weights参数来控制类别平衡。它是一个有N-1个值的列表，其中N是特征数。我们之前设置的特征数为2，所以列表中只有一个值。

现在让我们来看看如果将值指定为0.95，会出现什么结果：

X, y = make_classification(    n_samples=1000,    n_features=2,    n_redundant=0,    n_clusters_per_class=1,    weights=[0.95],    random_state=42)

df = pd.concat([pd.DataFrame(X), pd.Series(y)], axis=1)df.columns = ['x1', 'x2', 'y']

plot(df=df, x1='x1', x2='x2', y='y', title='Dataset with 2 classes - Class imbalance (y = 1)')

下图就是数据集可视化效果：

图4：在正类上类别不平衡的合成数据集可视化效果。图片来源：Dario Radečić

如图所示，数据集中只有5%的部分属于类1，你也可以将这一个分类比例轻松地转换。比如说，如果你将数据集中类0的占比改为5%： 

X, y = make_classification(    n_samples=1000,    n_features=2,    n_redundant=0,    n_clusters_per_class=1,    weights=[0.05],    random_state=42)

df = pd.concat([pd.DataFrame(X), pd.Series(y)], axis=1)df.columns = ['x1', 'x2', 'y']

plot(df=df, x1='x1', x2='x2', y='y', title='Dataset with 2 classes - Class imbalance (y = 0)')

下图就是对应的可视化效果：

图5：在负类上类别不平衡的合成数据集可视化效果。图片来源：Dario Radečić

这就是关于类别平衡的全部信息。最后，我们再看看调整类分离。

默认状态下，类0和类1中总会有一些重叠的数据点。对此，你可以使用class_sep参数来控制类分离的情况。Class_sep的默认值是1.

如果你将该值设为5，我们看看会出现什么结果：

X, y = make_classification(    n_samples=1000,    n_features=2,    n_redundant=0,    n_clusters_per_class=1,    class_sep=5,    random_state=42)

df = pd.concat([pd.DataFrame(X), pd.Series(y)], axis=1)df.columns = ['x1', 'x2', 'y']

plot(df=df, x1='x1', x2='x2', y='y', title='Dataset with 2 classes - Make classification easier')

下图就是数据集的可视化效果：

图6：明显的类分离合成数据集可视化效果。图片来源：Dario Radečić

如图所示，类分离的情况非常明显。将class_sep的值设置得越高，类分离效果就越好，反之亦然。

在这篇文章中，我跟大家分享了如何用Python和Scikit-Learn生成基本的合成分类数据集。

你可以在想要证明一个观点，或是实现一些数据科学概念的时候来使用它们。然而，在这种情况下，不建议使用真实的数据集，因为它们往往需要缜密的准备工作。

译者：俊一