网站收录不好,wordpress inove,公司网站后缀,做360优化网站都有哪家描述 seed() 方法改变随机数生成器的种子#xff0c;可以在调用其他随机模块函数之前调用此函数。。 语法 以下是 seed() 方法的语法:
import random
random.seed ( [x] )
注意#xff1a;seed(()是不能直接访问的#xff0c;需要导入 random 模块#xff0c;然后通过 ra…
描述 seed() 方法改变随机数生成器的种子可以在调用其他随机模块函数之前调用此函数。。 语法 以下是 seed() 方法的语法:
import random
random.seed ( [x] )
注意seed(()是不能直接访问的需要导入 random 模块然后通过 random 静态对象调用该方法。 参数 x -- 改变随机数生成器的种子seed。如果你不了解其原理你不必特别去设定seedPython会帮你选择seed。返回值 本函数没有返回值。 实例 #!/usr/bin/env pythonimport random
random.seed(0)
print Random number with seed 0 : , random.random()# It will generate same random numberrandom.seed(0)
print Random number with seed 0 : , random.random()# It will generate same random number
random.seed(0)
print Random number with seed 0 : , random.random()import numpy
random.seed( 10 )
numpy.random.seed(10)
print Random number with seed 10 : , random.random()
print Numpy.Random number with seed 10 : , numpy.random.random()# 生成同一个随机数
random.seed( 10 )
numpy.random.seed(10)
print Random number with seed 10 : , random.random()
print Numpy.Random number with seed 10 : , numpy.random.random()# 生成同一个随机数
random.seed( 10 )
numpy.random.seed(10)
print Random number with seed 10 : , random.random()
print Numpy.Random number with seed 10 : , numpy.random.random() 输出结果 Random number with seed 0 : 0.8444218515250481
Random number with seed 0 : 0.8444218515250481
Random number with seed 0 : 0.8444218515250481Random number with seed 10 : 0.5714025946899135
Numpy.Random number with seed 10 : 0.771320643266746
Random number with seed 10 : 0.5714025946899135
Numpy.Random number with seed 10 : 0.771320643266746
Random number with seed 10 : 0.5714025946899135
Numpy.Random number with seed 10 : 0.771320643266746 seed( ) 用于指定随机数生成时所用算法开始的整数值如果使用相同的seed( )值则每次生成的随即数都相同如果不设置这个值则系统根据时间来自己选择这个值此时每次生成的随机数因时间差异而不同。
更多理解见 生成特定分布随机数的方法 Numpy numpy比较适合用来生产一些简单的抽样数据。API都在random类中常见的API有
1) rand(d0, d1, …, dn) 用来生成d0xd1x…dn维的数组。数组的值在[0,1]之间
np.random.rand(3,2,2)array([[[ 0.75450129, 0.42901482],[ 0.96443585, 0.32667506]],[[ 0.14964725, 0.05210716],[ 0.22233923, 0.03842378]],[[ 0.25808658, 0.72287114],[ 0.46925528, 0.40520171]]])
2) randn((d0, d1, …, dn), 也是用来生成d0xd1x…dn维的数组。不过数组的值服从N(0,1)的标准正态分布
np.random.randn(3,2)array([[ 0.66144212, 0.42805973],[-1.70413147, 2.06557347],[ 0.64347303, -0.28598613]])
如果需要服从的正态分布, For random samples from N(μ,σ2), use:
sigma * np.random.randn(…) mu 只需要在randn上每个生成的值x上做变换σxμ即可
2.5 * np.random.randn(2, 4) 3
array([[ 4.18824037, 3.26512024, 4.78196539, 9.33558273],[ 1.82579451, 4.24870639, 3.20370651, 5.50917743]])Two-by-four array of samples from N(3, 6.25)
3)randint(low[, high, size])生成随机的大小为size的数据size可以为整数为矩阵维数或者张量的维数。值位于半开区间 [low, high)。
np.random.randint(3, size[2,3,4])
array([[[2, 0, 1, 2],[0, 1, 0, 0],[1, 1, 2, 2]],[[1, 2, 0, 1],[1, 1, 2, 0],[0, 1, 1, 1]]])返回维数维2x3x4的数据。取值范围为最大值为3的整数
np.random.randint(3, 6, size[2,3]) #返回维数为2x3的数据。取值范围为[3,6)
array([[4, 5, 4],[4, 5, 3]])4) random_integers(low[, high, size]),和上面的randint类似区别在与取值范围是闭区间[low, high]。
5) random_sample([size]), 返回随机的浮点数在半开区间 [0.0, 1.0)。如果是其他区间[a,b),可以加以转换(b - a) * random_sample([size]) a (5-2)*np.random.random_sample(3)2 #返回[2,5)之间的3个随机数array([ 2.12014675, 4.97409966, 2.61624815])scikit-learn随机数据生成API scikit-learn生成随机数据的API都在datasets类之中和numpy比起来可以用来生成适合特定机器学习模型的数据。常用的API有
1) 用make_regression 生成回归模型的数据
2) 用make_hastie_10_2make_classification或者make_multilabel_classification生成分类模型数据
3) 用make_blobs生成聚类模型数据
4) 用make_gaussian_quantiles生成分组多维正态分布的数据 * scikit-learn随机数据生成实例* 回归模型随机数据
这里我们使用make_regression生成回归模型数据。几个关键参数有n_samples生成样本数 n_features样本特征数noise样本随机噪音和coef是否返回回归系数。例子代码如下
# -*- coding: UTF-8 -*-
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.datasets.samples_generator import make_regression
# X为样本特征y为样本输出 coef为回归系数共1000个样本每个样本1个特征
X, y, coef make_regression(n_samples1000, n_features1,noise10, coefTrue)
# 画图
plt.scatter(X, y, colorblack)
plt.plot(X, X*coef, colorblue,linewidth3)plt.xticks(())
plt.yticks(())plt.show() 分类模型随机数据
这里我们用make_classification生成三元分类模型数据。几个关键参数有n_samples生成样本数 n_features样本特征数 n_redundant冗余特征数和n_classes输出的类别数例子代码如下
# -*- coding: UTF-8 -*-
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.datasets.samples_generator import make_classification
# X1为样本特征Y1为样本类别输出 共400个样本每个样本2个特征输出有3个类别没有冗余特征每个类别一个簇
X1, Y1 make_classification(n_samples400, n_features2, n_redundant0,n_clusters_per_class1, n_classes3)
plt.scatter(X1[:, 0], X1[:, 1], markero, cY1)
plt.show() 聚类模型随机数据 这里我们用make_blobs生成聚类模型数据。几个关键参数有n_samples生成样本数 n_features样本特征数centers(簇中心的个数或者自定义的簇中心)和cluster_std簇数据方差代表簇的聚合程度。例子如下
# -*- coding: UTF-8 -*-
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.datasets.samples_generator import make_blobs
# X为样本特征Y为样本簇类别 共1000个样本每个样本2个特征共3个簇簇中心在[-1,-1], [1,1], [2,2] 簇方差分别为[0.4, 0.5, 0.2]
X, y make_blobs(n_samples1000, n_features2, centers[[-1,-1], [1,1], [2,2]], cluster_std[0.4, 0.5, 0.2])
plt.scatter(X[:, 0], X[:, 1], markero, cy)
plt.show() 分组正态分布混合数据
我们用make_gaussian_quantiles生成分组多维正态分布的数据。几个关键参数有n_samples生成样本数 n_features正态分布的维数mean特征均值 cov样本协方差的系数 n_classes数据在正态分布中按分位数分配的组数。 例子如下
# -*- coding: UTF-8 -*-
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from sklearn.datasets import make_gaussian_quantiles
#生成2维正态分布生成的数据按分位数分成3组1000个样本,2个样本特征均值为1和2协方差系数为2
X1, Y1 make_gaussian_quantiles(n_samples1000, n_features2, n_classes3, mean[1,2],cov2)
plt.scatter(X1[:, 0], X1[:, 1], markero, cY1)
plt.show() 参考文献 Python seed() 函数
python 中 np.random.seed( ) 使用小技
机器学习算法的随机数据生成
