¿Cómo crear datos simulados para la clasificación en Python?

En este artículo vamos a ver cómo crear datos simulados para su clasificación en Python. 

Usaremos la biblioteca sklearn que proporciona varios generadores para simular datos de clasificación.

Clasificación de etiqueta única

Aquí vamos a ver la clasificación single-label, para ello utilizaremos algunas técnicas de visualización.

Ejemplo 1: Usando make_circles()

make_circles genera datos de clasificación binaria 2d con un límite de decisión esférico.

from sklearn.datasets import make_circles
import pandas as pd
import matplotlib.pyplot as plt
  
X, y = make_circles(n_samples=200, shuffle=True, 
                    noise=0.1, random_state=42)
plt.scatter(X[:, 0], X[:, 1], c=y)
plt.show()

Producción:

Ejemplo 2: Usando make_moons()

make_moons() genera datos de clasificación binaria 2d en forma de dos semicírculos intercalados.

from sklearn.datasets import make_moons
import pandas as pd
import matplotlib.pyplot as plt
  
X, y = make_moons(n_samples=200, shuffle=True,
                  noise=0.15, random_state=42)
plt.scatter(X[:, 0], X[:, 1], c=y)
plt.show()

Producción:

Ejemplo 3. Usar make_blobs()

make_blobs() genera datos en forma de blobs que se pueden usar para agrupar

from sklearn.datasets import make_blobs
import pandas as pd
import matplotlib.pyplot as plt
  
X, y = make_blobs(n_samples=200, n_features=2, centers=3,
                  shuffle=True, random_state=42)
plt.scatter(X[:, 0], X[:, 1], c=y)
plt.show()

Producción:

Ejemplo 4. Usando make_classification()

make_classification() genera un problema de clasificación aleatorio de n clases

from sklearn.datasets import make_classification
import pandas as pd
import matplotlib.pyplot as plt
  
X, y = make_classification(n_samples=100, n_features=5,
                           n_classes=2,
                           n_informative=2, n_redundant=2,
                           n_repeated=0,
                           shuffle=True, random_state=42)
pd.concat([pd.DataFrame(X), pd.DataFrame(
    y, columns=['Label'])], axis=1)

Producción:

Clasificación de etiquetas múltiples

make_multilabel_classification() genera un problema aleatorio de clasificación de múltiples etiquetas.

from sklearn.datasets import make_multilabel_classification
import pandas as pd
import matplotlib.pyplot as plt
  
X, y = make_multilabel_classification(n_samples=100, n_features=5, 
                                      n_classes=2, n_labels=1,
                                      allow_unlabeled=False,
                                      random_state=42)
pd.concat([pd.DataFrame(X), pd.DataFrame(y, 
                                         columns=['L1', 'L2'])],
          axis=1)

Producción: