绘制随机生成的多标签数据集

make_multilabel_classification 说明了数据集生成器。每个样本包含两个特征(总计多达50个),它们在两个类中的每一个中都有不同的分布。

点标记如下,其中Y表示类的存在:

星星标记每个类的期望的样本;它的大小反映选择该类标签的概率。

左右的列子显示了参数n_labels:更多的样本在右边的图形中有2或3个标签。

请注意,这个二维示例非常退化:一般来说,特征的数量将比“文档长度”大得多,而这里的文档要比词汇表大得多。类似地,对于n_class>n_properties,一个特征区分特定类的可能性要小得多。

The data was generated from (random_state=1013):
Class   P(C)    P(w0|C) P(w1|C)
red     0.64    0.97    0.03
blue    0.06    0.60    0.40
yellow  0.30    0.09    0.91
import numpy as np
import matplotlib.pyplot as plt

from sklearn.datasets import make_multilabel_classification as make_ml_clf

print(__doc__)

COLORS = np.array(['!',
                   '#FF3333',  # red
                   '#0198E1',  # blue
                   '#BF5FFF',  # purple
                   '#FCD116',  # yellow
                   '#FF7216',  # orange
                   '#4DBD33',  # green
                   '#87421F'   # brown
                   ])

# Use same random seed for multiple calls to make_multilabel_classification to
# ensure same distributions
RANDOM_SEED = np.random.randint(2 ** 10)


def plot_2d(ax, n_labels=1, n_classes=3, length=50):
    X, Y, p_c, p_w_c = make_ml_clf(n_samples=150, n_features=2,
                                   n_classes=n_classes, n_labels=n_labels,
                                   length=length, allow_unlabeled=False,
                                   return_distributions=True,
                                   random_state=RANDOM_SEED)

    ax.scatter(X[:, 0], X[:, 1], color=COLORS.take((Y * [124]
                                                    ).sum(axis=1)),
               marker='.')
    ax.scatter(p_w_c[0] * length, p_w_c[1] * length,
               marker='*', linewidth=.5, edgecolor='black',
               s=20 + 1500 * p_c ** 2,
               color=COLORS.take([124]))
    ax.set_xlabel('Feature 0 count')
    return p_c, p_w_c


_, (ax1, ax2) = plt.subplots(12, sharex='row', sharey='row', figsize=(84))
plt.subplots_adjust(bottom=.15)

p_c, p_w_c = plot_2d(ax1, n_labels=1)
ax1.set_title('n_labels=1, length=50')
ax1.set_ylabel('Feature 1 count')

plot_2d(ax2, n_labels=3)
ax2.set_title('n_labels=3, length=50')
ax2.set_xlim(left=0, auto=True)
ax2.set_ylim(bottom=0, auto=True)

plt.show()

print('The data was generated from (random_state=%d):' % RANDOM_SEED)
print('Class''P(C)''P(w0|C)''P(w1|C)', sep='\t')
for k, p, p_w in zip(['red''blue''yellow'], p_c, p_w_c.T):
    print('%s\t%0.2f\t%0.2f\t%0.2f' % (k, p, p_w[0], p_w[1]))

脚本的总运行时间:(0分0.153秒)

Download Python source code:plot_random_multilabel_dataset.py

Download Jupyter notebook:plot_random_multilabel_dataset.ipynb