图形化你的数据

scikit learn 是个强大的机器学习工具，我们可以用它现成的包，直接运行机器学习的各种模型，分类和回归。

本文介绍如何用scikit learn 去处理数据集，达到你要的数据分布效果。对于阐述数据分类问题很有帮助。

下行是引入内置的数据集

from sklearn.datasets import make_moons

引入不平衡算法。

from imblearn.datasets import make_imbalance

决定画几个图，本文画了一个图，所以是一行一列。

f, ax2 = plt.subplots(1, 1)

multiplier 0.1 小类的数据比例，越小，小类数据实例越少。

X_, y_ = make_imbalance(X, y, ratio=ratio_func,**{"multiplier": 0.1,"minority_class": 1})

此-3是决定了图像大小，越是负数图像越大。

plt.tight_layout(-3)

整个代码如下

import matplotlib.pyplot as plt

from collections import Counter

from sklearn.datasets import make_moons

from imblearn.datasets import make_imbalance

print(__doc__)

def plot_decoration(ax):

ax.spines['top'].set_visible(False)

ax.spines['right'].set_visible(False)

ax.get_xaxis().tick_bottom()

ax.get_yaxis().tick_left()

ax.spines['left'].set_position(('outward', 10))

ax.spines['bottom'].set_position(('outward', 10))

ax.set_xlim([-3, 3])

# Generate the dataset

X, y = make_moons(n_samples=380, shuffle=True, noise=0.8, random_state=10)

f, ax2 = plt.subplots(1, 1)

def ratio_func(y, multiplier, minority_class):

target_stats = Counter(y)

return {minority_class: int(multiplier * target_stats[minority_class])}

ax=ax2

X_, y_ = make_imbalance(X, y, ratio=ratio_func,**{"multiplier": 0.1,"minority_class": 1})

ax.scatter(X_[y_ == 0, 0], X_[y_ == 0, 1], label="Class #0", alpha=0.5)

ax.scatter(X_[y_ == 1, 0], X_[y_ == 1, 1], label="Class #1", alpha=0.5)

ax.set_title('ratio = {}'.format(0.1))

plot_decoration(ax)

plt.tight_layout(-3)

plt.show()

注意python连数据行的对齐都很有要求，如果有的数据行没有对齐，变量声明不会被识别。

这是最后画出来的图。