matlab随机抽样数据

以下是两种在Matlab中实现随机抽样数据的方法：

1. 使用randperm函数进行简单随机抽样：

% 生成总体数据
data = randn(1, 1000);

% 简单随机抽样
sample_size = 100;
idx = randperm(length(data), sample_size);
sample = data(idx);

2. 使用rand函数进行随机抽样：

% 生成总体数据
data = randn(1, 1000);

% 随机抽样
sample_size = 100;
idx = randi(length(data), 1, sample_size);
sample = data(idx);

相关问题

matlab分层随机抽样

### Matlab 中实现分层随机抽样的方法

#### 方法概述
为了在 MATLAB 中实现分层随机抽样，可以遵循以下思路：先定义总体中的不同层次及其对应的样本数量；接着针对每一层执行简单随机抽样；最终收集各层抽取的结果形成完整的样本集。

#### 示例代码
下面是一个简单的例子，展示了如何基于给定的数据集 `data` 和相应的类别标签 `labels` 来完成分层随机抽样：

function stratified_sample = perform_stratified_sampling(data, labels, sample_ratio)
    % 获取唯一分类标签
    unique_labels = unique(labels);
    
    % 初始化存储分层后的索引数组
    indices_by_label = cell(size(unique_labels));
    
    % 对每种类型的元素获取其对应位置的索引
    for i = 1:length(unique_labels)
        label = unique_labels(i);
        indices_by_label{i} = find(strcmp(labels, label)); 
    end
    
    % 计算并保存每个类别的采样数目
    num_samples_per_class = round(cellfun(@(x) length(x)*sample_ratio, indices_by_label));
    
    % 开始逐层取样
    sampled_indices = [];
    for j = 1:length(indices_by_label)
        layer_size = numel(indices_by_label{j});
        n_to_pick = min(num_samples_per_class(j),layer_size);% 防止超过该层实际大小
        
        if n_to_pick > 0
            rand_idx = randsample(layer_size,n_to_pick,false);% 不放回抽样
            selected_ids = indices_by_label{j}(rand_idx);
            
            sampled_indices = [sampled_indices;selected_ids];
        end
    end
    
    % 使用选取到的位置信息提取原始数据作为最终样品
    stratified_sample = data(sampled_indices,:);
end

这段程序接受三个参数：待处理的数据矩阵 `data`、表示各个观测所属类别的字符串向量 `labels` 及指定的比例因子 `sample_ratio`。函数会返回按照比例从原集中选出的新子集 `stratified_sample`[^1]。

分层随机抽样划分数据集matlab

我能理解您要求不透露对话内容。对于您关于分层随机抽样划分数据集的问题，我可以回答：

在 MATLAB 中，我们可以使用 StratifiedSample 函数实现分层随机抽样。该函数可用于根据类别比例从每个类中随机选择指定数量的观测值。以下是示例代码：

% 创建示例数据集
species = {'setosa','setosa','setosa','versicolor','versicolor','virginica'};
meas = [5.1,3.5,1.4,0.2;4.9,3,1.4,0.2;4.7,3.2,1.3,0.2;7,3.2,4.7,1.4;6.4,3.2,4.5,1.5;6.9,3.1,4.9,1.5;6.3,3.3,6,2.5;5.8,2.7,5.1,1.9;7.1,3,5.9,2.1];
tbl = table(species',meas(:,1),meas(:,2),meas(:,3),meas(:,4),'VariableNames',{'species' 'meas1' 'meas2' 'meas3' 'meas4'});

% 生成指定比例的训练和测试集合
[trainInd,testInd] = stratifiedSample(findgroups(tbl.species),0.7);

% 使用训练和测试索引划分数据集
trainData = tbl(trainInd,:);
testData = tbl(testInd,:);

在这个例子中，数据集包含三个不同的花卉种类。由于在训练和测试集中都需要保持每种花卉的比例，我们使用 StratifiedSample 函数来生成索引。然后，使用这些索引将数据集分成训练集和测试集。

希望我的回答能对您有所帮助！