У першому дописі цього міні-серіалу ми пояснили, чому нам потрібно генерувати випадкові набори даних для навчання наших моделей машинного навчання. У сьогоднішній публікації ми побачимо 5 різних способів зробити це за допомогою Python.

всіх

Випадковий модуль

У модулі випадкові Зі стандартної бібліотеки Python ми можемо знайти набір функцій, які дозволяють отримувати випадкові числа (щоб бути суворими, вони насправді є "псевдовипадковими") різними способами.

Для цього він використовує генератор псевдовипадкових чисел (PRNG), відомий як Mersenne Twister. Генерує випадкове число з іншого заданого числа як вхідне чи початкове значення. Йдеться про a детермінований генератор, оскільки з одного і того ж насіння завжди отримується однаковий результат.

У попередньому дописі ми вже коментували, що ці псевдовипадкові числа цілком справедливі для більшості проблем, які ми моделюємо за допомогою алгоритмів машинного навчання. Однак вони не корисні для роботи в криптографії та середовищах безпеки. У цих випадках використовується модуль "секрети", який дозволяє генерувати справді випадкові числа (генератори справжніх випадкових чисел (TRNG).

5 різних способів генерації випадкових чисел

  • randint (): повертає ціле число між вказаними значеннями. Значення нижньої та верхньої меж також можуть з'являтися між повернутими значеннями. Для десяткових чисел (плаваюча) використовується функція uniform ()
  • randrange (): повертає цілі числа між початковим і кінцевим значенням, розділеними конкретним значенням "кроку"
  • choice () та choices (), дозволяють довільно вибирати значення зі списку. Вони беруть список як аргумент і випадковим чином вибирають значення (або значення у випадку вибору ()). Також матриця з вагами може бути застосована для збільшення ймовірності обрання певного значення.
  • shuffle (): "перемішує" список. Ця функція "змішує" або випадково змінює порядок елементів у списку, перш ніж вибрати один із них
  • gauss (): генерує набір випадкових чисел, розподіл ймовірностей яких є гауссовим або нормальним розподілом (дуже поширений у реальному світі). Існують подібні функції для інших різних дистрибутивів.

Практичні приклади

Давайте подивимось кілька простих прикладів застосування попередніх функцій. У посібнику з Python ви можете знайти всю інформацію про ці та інші функції випадкового модуля.

Ми пам’ятаємо, що, як і у всіх бібліотеках, перед використанням функції потрібно імпортувати функцію або всю бібліотеку.

Функція Randint ()

Функція randint (a, b) повертає ціле число між a і b включно. a має бути меншим або рівним b. Наприклад, для генерації випадкового числа від 1 до 10 ми б поставили:

Функція Randrange ()

Функція randrange () підтримує до трьох аргументів (початок, кінець, крок). Наприклад.

Функції Choice (), choices ()

Ці функції дозволяють вибрати один (або кілька) елементів зі списку. Крім того, як і в цьому прикладі, це дозволяє працювати зі символьними рядками (рядками)

Якщо ми хочемо, щоб один із елементів мав більшу ймовірність бути обраним, ми застосовуємо матрицю “ваги”. У цьому прикладі ми просимо взяти 10 комбінацій з 3 кольорів і щоб блакитний колір був у 5 разів вірогіднішим за решту:

Функція перетасування ()

З функцією Перемішати, “Колоди” або довільне переміщення елементів будь-якого списку.

Функція Гауса ()

Функція gauss () використовує середнє та стандартне відхилення як аргументи для генерації випадкових значень, які слідують за нормальним розподілом. У цьому прикладі ми генеруємо набір (псевдо) -випадкових чисел, які слідують за гауссовим розподілом, із середнім значенням 0 та стандартним відхиленням 1.

Якщо ми хочемо побачити графік, наприклад, для 1000 значень,

Якщо ви хочете спробувати застосувати власний генератор випадкових чисел якнайбільш «істинним» Raspberry Pi, не пропустіть цю іншу публікацію.

Щоб бути в курсі LUCA, відвідайте наш веб-сайт, підпишіться на LUCA Data Speaks або підписуйтесь на нас у Twitter, LinkedIn та YouTube.