PythonのScikit-learn（sklearn）でテストデータセットを作成する方法

PythonのScikit-learn（sklearn）ライブラリには、さまざまなグラフやプロットを作成するために利用できるサンプルデータセットが標準で用意されています。これらのデータセットは、サンプルグラフやチャートの作成、値の変化に応じたグラフの挙動の確認などに非常に便利です。さらに、実際のデータセットを使い始める前に、色や軸などの表示パラメータを自由に調整して試すこともできます。

ここでは、代表的なデータ生成関数である make_blobs と make_circles を使って、テスト用の散布図データセットを作成する方法を紹介します。

make_blobs を使ってクラスタ状のデータを作成する

以下の例では、sklearnライブラリとmatplotlibを組み合わせて、特定のスタイルの散布図を作成します。200個のデータポイントをサンプルとして生成し、クラスタの中心数・ばらつき具合（cluster_std）・特徴量の数などを指定できます。プロットの色も自由に設定可能です。

コード例

from sklearn.datasets import make_blobs
from matplotlib import pyplot as plt
from matplotlib import style
style.use("fast")
X, y = make_blobs(n_samples=200, centers=2,
                  cluster_std=1, n_features=2)

plt.scatter(X[:, 0], X[:, 1], s=60, color='r')
plt.xlabel("X")
plt.ylabel("Y")
plt.show()
plt.clf()

実行結果

上記のコードを実行すると、次のような結果が得られます。

主なパラメータの意味は以下の通りです。

• n_samples：生成するデータポイントの総数
• centers：クラスタ（塊）の数
• cluster_std：各クラスタの標準偏差（値が大きいほど広く散らばる）
• n_features：各データポイントが持つ特徴量の数

make_circles を使って円形のデータを作成する

先ほどと同様のアプローチで、make_circles 関数を使用します。この関数は、同心円状に配置されたデータセットを生成するもので、分類アルゴリズムのテストによく使われます。ここではサンプルサイズを100、ノイズの強さを0.04に設定し、青色でプロットしています。

コード例

from sklearn.datasets import make_circles
from matplotlib import pyplot as plt
from matplotlib import style
style.use("fast")
X, y = make_circles(n_samples=100, noise=0.04)
plt.scatter(X[:, 0], X[:, 1], s=40, color='b')
plt.xlabel("X")
plt.ylabel("Y")
plt.show()
plt.clf()

実行結果

上記のコードを実行すると、次のような結果が得られます。

noise パラメータは、円からどれだけデータポイントがずれるか（ランダムなゆらぎ）を制御します。値を大きくすると、より不規則な分布になり、実際のデータに近い挙動を再現できます。

このように、sklearnのデータ生成機能を活用すれば、実際のデータを用意しなくても、機械学習モデルの動作確認や可視化の練習を手軽に行うことができます。