Scikit-Learn快速生成分类数据集

假如你学习了新的分类算法并想进一步探索研究、尝试不同的超参数评估模型性能，但问题是你找不到好的数据集用于实验。幸运的是Scikit-Learn 提供的 make_classification() 方法可以创建不同类型的数据集，它可以生成不同类型的数据集：二分类、多分类、平衡或不平衡数据集、难以分类的数据集等。本文通过示例详细说明，并结合随机森林分类算法进行验证。

make_classification函数

首先我们介绍该函数参数，以及常用参数及默认值：

n_samples: 生成多少条样本数据，缺省100条.
n_features: 有几个数值类型特征，缺省为20.
n_informative: 有用特征的个数，仅这些特征承载对分类信号.，缺省为2.
n_classes: 分类标签的数量，缺省为2.

该函数返回包含函数Numpy 数组的tuple，分别为特征X，以及标签y。其他参数用到时再作说明。

生成二分类数据集

下面生成二分类数据集，即标签仅有两个可能的值：0 、1.

因此需要设置n_classes参数为2。我们需要生成1000条样本，包括5个特征，其中三个为有用特征，另外两个为冗余特征。

from sklearn.datasets import make_classification

X, y = make_classification(
    n_samples=1000, # 1000 observations 
    n_features=5, # 5 total features
    n_informative=3, # 3 'useful' features
    n_classes=2, # binary target/label 
    random_state=999 # if you want the same results as mine
)

下面需转换 make_classification 函数返回值为 padas 数据框。padas 数据框比Numpy数组更易分析。

import pandas as pd

# Create DataFrame with features as columns
dataset = pd.DataFrame(X)
# give custom names to the features
dataset.columns = ['X1', 'X2', 'X3', 'X4', 'X5']
# Now add the label as a column
dataset['y'] = y

dataset.info()

输出结果：

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1000 entries, 0 to 999
Data columns (total 6 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   X1      1000 non-null   float64
 1   X2      1000 non-null   float64
 2   X3      1000 non-null   float64
 3   X4      1000 non-null   float64
 4   X5      1000 non-null   float64
 5   y       1000 non-null   int64  
dtypes: float64(5), int64(1)
memory usage: 47.0 KB

和我们期望一致，该数据集包括1000个样本，包括5个特征，以及对应的响应目标标签。我们设置**n_informative** 为3，因此，仅 (X1, X2, X3)是重要的，另外两个 X4 和 X5, 是多余的。

现状我们检查标签y的基数和总数：

dataset['y'].value_counts()

1    502
0    498
Name: y, dtype: int64

标签仅包括两个可能的值，因此属于二分类数据集。而且两者数量大致相当，因此标签分类相对平衡。下面查看前5条样本值：

dataset.head()

X1	X2	X3	X4	X5	y
0	2.501284	-0.159155	0.672438	3.469991	0.949268	0
1	2.203247	-0.331271	0.794319	3.259963	0.832451	0
2	-1.524573	-0.870737	1.004304	-1.028624	-0.717383	1
3	1.801498	3.106336	1.490633	-0.297404	-0.607484	0
4	-0.125146	0.987915	0.880293	-0.937299	-0.626822	0

分类示例

生成数据集看上去不错，下面利用缺省超参数创建随机森林分类器。我们使用交叉验证衡量模型性能：

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import cross_validate

# initialize classifier
classifier = RandomForestClassifier() 

# Run cross validation with 10 folds
scores = cross_validate(
    classifier, X, y, cv=10, 
    # measure score for a list of classification metrics
    scoring=['accuracy', 'precision', 'recall', 'f1']
)

scores = pd.DataFrame(scores)
scores.mean().round(4)

输出结果如下, 模型的 Accuracy, Precision, Recall, 和 F1 Score接近88%. 没有调整任何超参数情况下，表现尚可。

fit_time          0.1201
score_time        0.0072
test_accuracy     0.8820
test_precision    0.8829
test_recall       0.8844
test_f1           0.8827
dtype: float64

不易分类数据集

下面尝试创建要给不容易分类的数据集。我们可以使用下面**make_classification()**函数参数控制数据集的难度级别：

flip_y: 通过反转少量标签增加噪声数据 . 举例，改变少量标签值0的值为1，返回改变1为0. 该值越大噪声越多，缺省值为 0.01.
class_sep: 类别之间的距离，默认值为1.0，表示原始特征空间中的类别之间的平均距离. 值越小分类越难.

下面代码使用flip_y较高的值与class_sep较低的值创建有挑战性的数据集：

X, y = make_classification(
    # same as the previous section
    n_samples=1000, n_features=5, n_informative=3, n_classes=2, 
    # flip_y - high value to add more noise
    flip_y=0.1, 
    # class_sep - low value to reduce space between classes
    class_sep=0.5
)

# Check label class distribution
pd.DataFrame(y).value_counts()

1    508
0    492
dtype: int64

0 和 1 标签对应的样本量几乎相当。因此分类相对平衡。

分类较难数据集

我们再次构建随机森林模型，并使用默认超参数。这次使用较难的数据集：

classifier = RandomForestClassifier() 

scores = cross_validate(
    classifier, X, y, cv=10, 
    scoring=['accuracy', 'precision', 'recall', 'f1']
)

scores = pd.DataFrame(scores)
scores.mean()

fit_time          0.138662
score_time        0.007333
test_accuracy     0.756000
test_precision    0.764619
test_recall       0.760196
test_f1           0.759281
dtype: float64

模型的Accuracy, Precision, Recall, 和F1 Score 参数值大约在75~76%.相对前面88%有了明显下降。

flip_y 和**class_sep** 参数值起作用了，它们创建的数据集确实较难分类。

不平衡数据集

前面我们创建的数据集，每个分类对应样本大致相等。但有时我们需要不平衡数据集，即其中一个标签分类样本数据比较稀少。

我们可以使用参数weights去控制每个分类的比例。下面代码利用make_classification 函数给样本0值标签分配比例97%, 剩下了的分类值1占3%：

X, y = make_classification(
    # the usual parameters
    n_samples=1000, n_features=5, n_informative=3, n_classes=2, 
    # Set label 0 for  97% and 1 for rest 3% of observations
    weights=[0.97], 
)

pd.DataFrame(y).value_counts()

0    964
1     36
dtype: int64

从结果看，**make_classification()**函数分配了3%比例给标签值为1的样本，确实生成了不平衡数据集。

分类不平衡数据集

与前节一样，仍使用缺省超参数的随机森林模型训练不平衡数据集：

classifier = RandomForestClassifier() 

scores = cross_validate(
    classifier, X, y, cv=10, 
    scoring=['accuracy', 'precision', 'recall', 'f1']
)

scores = pd.DataFrame(scores)
scores.mean()

fit_time          0.101848
score_time        0.006896
test_accuracy     0.964000
test_precision    0.250000
test_recall       0.083333
test_f1           0.123333
dtype: float64

我们看到有趣的现象，我们的模型准确率很高（96%），但精确率和召回率很低（25% 和 8%）。这是典型的准确率悖论，当处理不平衡数据经常会发生。

多分类数据集

到目前为止，我们生成的标签仅有两种可能。如果你需要多分类数据做实验，则标签需要超过2个值。n_classes参数可以实现：

X, y = make_classification(
    # same parameters as usual 
    n_samples=1000, n_features=5, n_informative=3,
    # create target label with 3 classes
    n_classes=3, 
)

pd.DataFrame(y).value_counts()

1    334
2    333
0    333
dtype: int64

从结果看，三个分类样本大致相当，数据集分类较平衡。

多分类不平衡数据集

我们也可以很容易创建不平衡多分类数据集，只需要使用参数 n_classes 和 weights :

X, y = make_classification(
    # same parameters as usual 
    n_samples=1000, n_features=5, n_informative=3,
    # create target label with 3 classes
    n_classes=3, 
    # assign 4% of rows to class 0, 48% to class 1
    # and the rest to class 2
    weights=[0.04, 0.48]
)

pd.DataFrame(y).value_counts()

0 值分类占 4%， 1 值占 48%，剩下的给值 2 标签。查看结果：

2    479
1    477
0     44
dtype: int64

1000个样本中 0 值标签仅有44个，和预期一致。

总结

现在你学会了使用scikit-learn的make_classification函数生成不同类型数据集了吧。包括二分类或多分类、不平衡数据集、挑战性难分类的数据集等。更多参数可以查看官方文档，本文参考：How to Generate Datasets Using make_classification | Proclus Academy。