生成Friedman #1数据集

sklearn.datasets.make_friedman1(n_samples=100, n_features=10, *, noise=0.0, random_state=None)

生成“Friedman #1”回归问题。

该数据集在 Friedman [1] 和 Breiman [2] 中有描述。

输入X是独立特征，在区间[0, 1]上均匀分布。输出y根据以下公式创建：

y(X) = 10 * sin(pi * X[:, 0] * X[:, 1]) + 20 * (X[:, 2] - 0.5) ** 2 + 10 * X[:, 3] + 5 * X[:, 4] + noise * N(0, 1).

在n_features个特征中，只有5个特征实际用于计算y。其余特征与y独立。

特征数量必须>= 5。

更多信息请阅读用户指南。

参数：

n_samplesint, 默认值=100

样本数量。

n_featuresint, 默认值=10

特征数量。应至少为5。

noisefloat, 默认值=0.0

应用于输出的高斯噪声的标准差。

random_stateint, RandomState 实例或 None, 默认值=None

确定数据集噪声的随机数生成。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：

X形状为 (n_samples, n_features) 的ndarray

输入样本。

y形状为 (n_samples,) 的ndarray

输出值。

参考文献

[1]

J. Friedman, “Multivariate adaptive regression splines”, The Annals of Statistics 19 (1), pages 1-67, 1991。

[2]

L. Breiman, “Bagging predictors”, Machine Learning 24, pages 123-140, 1996。

示例

>>> from sklearn.datasets import make_friedman1
>>> X, y = make_friedman1(random_state=42)
>>> X.shape
(100, 10)
>>> y.shape
(100,)
>>> list(y[:3])
[np.float64(16.8...), np.float64(5.8...), np.float64(9.4...)]