blob: 6d4bd9eadf9225656490706212547509a85c38b8 (
plain)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
|
##################################################################
##################################################################
##################################################################
def read_digits(fname='digit.txt'):
'''
read_digits(fname='digit.txt')
read a data file that contains the features and class labels.
each row of the file is a feature vector with the class
label appended.
'''
import csv
import numpy as np
fw = csv.reader(open(fname,'rb'), delimiter='\t')
data = []
for line in fw:
data.append( [float(x) for x in line] )
data = np.array(data)
labels = data[:,len(data.transpose())-1]
data = data[:,:len(data.transpose())-1]
return data, labels
##################################################################
##################################################################
##################################################################
##################################################################
##################################################################
##################################################################
def uniform_data(n_observations = 1000, n_features = 50, n_relevant = 5):
import numpy as np
xmax = 10
xmin = 0
data = np.random.randint(xmax + 1, size = (n_features, n_observations))
labels = np.zeros(n_observations)
delta = n_relevant * (xmax - xmin) / 2.0
for m in range(n_observations):
zz = 0.0
for k in range(n_relevant):
zz += data[k, m]
if zz > delta:
labels[m] = 1
else:
labels[m] = 2
data = data.transpose()
return data, labels
##################################################################
##################################################################
##################################################################
|
