1.背景

? ? 采樣算法是機器學習中比較常用，也比較容易實現的（出去分層采樣）。常用的采樣算法有以下幾種（來自百度知道）： 一、單純隨機抽樣（simple random sampling）將調查總體全部觀察單位編號，再用抽簽法或隨機數字表隨機抽取部分觀察單位組成樣本。優點：操作簡單，均數、率及相應的標準誤計算簡單。 缺點：總體較大時，難以一一編號。二、系統抽樣（systematic sampling）又稱機械抽樣、等距抽樣，即先將總體的觀察單位按某一順序號分成n個部分，再從第一部分隨機抽取第k號觀察單位，依次用相等間距，從每一部分各抽取一個觀察單位組成樣本。優點：易于理解、簡便易行。缺點：總體有周期或增減趨勢時，易產生偏性。三、整群抽樣(cluster sampling)總體分群，再隨機抽取幾個群組成樣本，群內全部調查。優點：便于組織、節省經費。缺點：抽樣誤差大于單純隨機抽樣。四、分層抽樣（stratified sampling）先按對觀察指標影響較大的某種特征，將總體分為若干個類別，再從每一層內隨機抽取一定數量的觀察單位，合起來組成樣本。有按比例分配和最優分配兩種方案。優點：樣本代表性好，抽樣誤差減少。以上四種基本抽樣方法都屬單階段抽樣，實際應用中常根據實際情況將整個抽樣過程分為若干階段來進行，稱為多階段抽樣。各種抽樣方法的抽樣誤差一般是：整群抽樣≥單純隨機抽樣≥系統抽樣≥分層抽樣

2.代碼實現

? ??? ? 無放回抽樣：隨機抽樣（RandomSampling）和系統抽樣(SystematicSampling)。? ? 有放回抽樣：隨機抽樣(RepetitionRandomSampling)。
''' Sampling archive@author: Garvin Li ''' import random def loadDataSet(fileName): #general function to parse tab -delimited floatsdataMat = [] #assume last column is target valuefr = open(fileName)for line in fr.readlines():curLine = line.strip().split('\t') # fltLine = map(float,curLine) #map all elements to float()dataMat.append(curLine)return dataMatdef RandomSampling(dataMat,number):try:slice = random.sample(dataMat, number) return sliceexcept:print 'sample larger than population'def RepetitionRandomSampling(dataMat,number): sample=[]for i in range(number):sample.append(dataMat[random.randint(0,len(dataMat)-1)])return sample def SystematicSampling(dataMat,number): length=len(dataMat)k=length/numbersample=[] i=0if k>0 : while len(sample)!=number:sample.append(dataMat[0+i*k])i+=1 return sampleelse :return RandomSampling(dataMat,number) if __name__=='__main__':dataMat=loadDataSet('/Users/hakuri/Desktop/data1.txt') # print RandomSampling(dataMat,7) # RepetitionSampling(dataMat,4)print SystematicSampling(dataMat,9)
測試結果就不單獨上圖了，測試集和代碼都提供下載，有興趣可以去看一下。過一段把高級聚類算法寫好，實現一下分層抽樣。
下載地址：點擊我

/********************************

* 本文來自博客 ?“李博Garvin“

* 轉載請標明出處:http://blog.csdn.net/buptgshengod

******************************************/

總結

以上是生活随笔為你收集整理的【机器学习算法-python实现】采样算法的简单实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。