创建分类数据集#

sklearn.datasets.make_classification(n_samples=100, n_features=20, *, n_informative=2, n_redundant=2, n_repeated=0, n_classes=2, n_clusters_per_class=2, weights=None, flip_y=0.01, class_sep=1.0, hypercube=True, shift=0.0, scale=1.0, shuffle=True, random_state=None)[source]#

生成一个随机的n类分类问题。

该函数首先创建围绕n_informative维超立方体顶点正态分布（标准差=1）的点簇，边长为2*class_sep，并将相同数量的簇分配给每个类。它会在这些特征之间引入相互依赖性，并向数据添加各种类型的额外噪声。

在不进行混洗的情况下，X会按以下顺序水平堆叠特征：主要的n_informative个特征，然后是n_redundant个信息特征的线性组合，然后是n_repeated个重复项（从信息特征和冗余特征中随机抽取，允许重复）。其余特征将填充随机噪声。因此，在不进行混洗的情况下，所有有用特征都包含在列X[:, :n_informative + n_redundant + n_repeated]中。

在用户指南中了解更多信息。

参数：

n_samplesint, default=100: 样本数量。
n_featuresint, default=20: 特征总数。这些特征包括n_informative个信息特征，n_redundant个冗余特征，n_repeated个重复特征和n_features-n_informative-n_redundant-n_repeated个随机抽取的无用特征。
n_informativeint, default=2: 信息特征的数量。每个类由多个高斯簇组成，每个簇都位于n_informative维子空间中超立方体的顶点附近。对于每个簇，信息特征独立地从N(0, 1)中抽取，然后在每个簇内随机线性组合以增加协方差。然后将这些簇放置在超立方体的顶点上。
n_redundantint, default=2: 冗余特征的数量。这些特征作为信息特征的随机线性组合生成。
n_repeatedint, default=0: 重复特征的数量，从信息特征和冗余特征中随机抽取。
n_classesint, default=2: 分类问题的类别（或标签）数量。
n_clusters_per_classint, default=2: 每个类别的簇数。
weightsarray-like of shape (n_classes,) or (n_classes - 1,), default=None: 分配给每个类的样本比例。如果为None，则类是平衡的。请注意，如果len(weights) == n_classes - 1，则最后一个类权重将自动推断。如果weights的总和超过1，则可能返回超过n_samples个样本。请注意，当flip_y不为0时，实际的类比例不会完全匹配weights。
flip_yfloat, default=0.01: 随机分配类别的样本比例。较大的值会在标签中引入噪声，并使分类任务更难。请注意，默认设置flip_y > 0在某些情况下可能导致y中的类别少于n_classes。
class_sepfloat, default=1.0: 乘以超立方体大小的因子。较大的值会分散簇/类，并使分类任务更容易。
hypercubebool, default=True: 如果为True，则将簇放在超立方体的顶点上。如果为False，则将簇放在随机多面体的顶点上。
shiftfloat, ndarray of shape (n_features,) or None, default=0.0: 按指定值移动特征。如果为None，则特征将按在[-class_sep, class_sep]中随机抽取的值移动。
scalefloat, ndarray of shape (n_features,) or None, default=1.0: 按指定值乘以特征。如果为None，则特征将按在[1, 100]中随机抽取的值缩放。请注意，缩放发生在移动之后。
shufflebool, default=True: 混洗样本和特征。
random_stateint, RandomState instance or None, default=None: 确定数据集创建的随机数生成。传递一个整数以在多次函数调用中获得可重复的输出。参见词汇表。

返回：

Xndarray of shape (n_samples, n_features): 生成的样本。
yndarray of shape (n_samples,): 每个样本的类成员的整数标签。

另请参见

make_blobs: 简化版本。
make_multilabel_classification: 与多标签任务无关的生成器。

备注

该算法改编自Guyon [1]，旨在生成“Madelon”数据集。

参考文献

[1]

I. Guyon，“NIPS 2003变量选择基准的实验设计”，2003。

示例

>>> from sklearn.datasets import make_classification
>>> X, y = make_classification(random_state=42)
>>> X.shape
(100, 20)
>>> y.shape
(100,)
>>> list(y[:5])
[np.int64(0), np.int64(0), np.int64(1), np.int64(1), np.int64(0)]