1.背景
採样算法是机器学习中比較经常使用，也比較easy实现的（出去分层採样）。经常使用的採样算法有下面几种（来自百度知道）：
一、单纯随机抽样（simple random sampling） 将调查整体所有观察单位编号，再用抽签法或随机数字表随机抽取部分观察单位组成样本。 长处：操作简单，均数、率及对应的标准误计算简单。 缺点：整体较大时，难以一一编号。 二、系统抽样（systematic sampling） 又称机械抽样、等距抽样，即先将整体的观察单位按某一顺序号分成n个部分，再从第一部分随机抽取第k号观察单位。依次用相等间距，从每一部分各抽取一个观察单位组成样本。 长处：易于理解、简便易行。 缺点：整体有周期或增减趋势时，易产生偏性。 三、整群抽样(cluster sampling) 整体分群。再随机抽取几个群组成样本，群内所有调查。 长处：便于组织、节省经费。 缺点：抽样误差大于单纯word=%E9%9A%8F%E6%9C%BA%E6%8A%BD%E6%A0%B7&fr=qb_search_exp&ie=utf8" rel="nofollow" data-word="1" log="pos:innerLink">随机抽样。 四、分层抽样（stratified sampling） 先按对观察指标影响较大的某种特征。将整体分为若干个类别，再从每一层内随机抽取一定数量的观察单位，合起来组成样本。有按比例分配和最优分配两种方案。 长处：样本代表性好。word=%E6%8A%BD%E6%A0%B7%E8%AF%AF%E5%B7%AE&fr=qb_search_exp&ie=utf8" rel="nofollow" data-word="3" log="pos:innerLink">抽样误差降低。 以上四种基本word=%E6%8A%BD%E6%A0%B7%E6%96%B9%E6%B3%95&fr=qb_search_exp&ie=utf8" rel="nofollow" data-word="4" log="pos:innerLink">抽样方法都属单阶段抽样。实际应用中常依据实际情况将整个抽样过程分为若干阶段来进行。称为多阶段抽样。 各种抽样方法的抽样误差通常是：整群抽样≥单纯随机抽样≥系统抽样≥分层抽样
2.代码实现
无放回抽样：随机抽样（RandomSampling）和系统抽样(SystematicSampling)。
有放回抽样：随机抽样(RepetitionRandomSampling)。
'''
Sampling archive @author: Garvin Li
'''
import random
def loadDataSet(fileName): #general function to parse tab -delimited floats
dataMat = [] #assume last column is target value
fr = 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 dataMat def RandomSampling(dataMat,number):
try:
slice = random.sample(dataMat, number)
return slice
except:
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/number
sample=[]
i=0
if k>0 :
while len(sample)!=number:
sample.append(dataMat[0+i*k])
i+=1
return sample
else :
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)
測试结果就不单独上图了，測试集和代码都提供下载。有兴趣能够去看一下。
过一段把高级聚类算法写好，实现一下分层抽样。
下载地址：点击我
/********************************
* 本文来自博客 “李博Garvin“
* 转载请标明出处:http://blog.csdn.net/buptgshengod
******************************************/