[scikit-learn] 2. make_classificationによる分類用データの生成

はじめに

sklearnのdatasets.make_classificationでクラスタリング用のデータを作成することができる。データポイントは基本的にガウス分布に従い生成する。ここでは各種パラメータが生成データに及ぼす影響について説明する。

n_samplesを変化させることでサンプル数を変えることができる。

n_featuresを変えることデータセットの列数を変えることができる。

n_informativeは相関が強い特徴量の数で、n_redundantはn_informativeのものと線形結合になるものの数となる。

n_clusters_per_classは1クラスあたりのクラスターの数となる。

n_clustersはクラス数となる。

random_stateを変えることで再現可能な乱数を生成することができる。

weightsをリスト形式で設定することでデータポイント数の比率を変えることができる。

flip_yをエラー生成のためにデータポイントのラベルを入れ替える機能で、0.1とすれば10%のデータのラベルが入れ替わる。デフォルト値は0.01。

値を大きくすると、クラス間がより分離するようになる。

shiftの値を全てのデータに加えることになる。

scaleの値を全てのデータに乗ずることになる。

shuffleをFalseとすることでラベルがソートされたデータを得ることができる。デフォルトはTrue.