生成 Friedman #2 数据集#
- sklearn.datasets.make_friedman2(n_samples=100, *, noise=0.0, random_state=None)[source]#
生成“Friedman #2”回归问题。
此数据集在 Friedman [1] 和 Breiman [2] 中有所描述。
输入
X
是4个独立特征,在区间上均匀分布0 <= X[:, 0] <= 100, 40 * pi <= X[:, 1] <= 560 * pi, 0 <= X[:, 2] <= 1, 1 <= X[:, 3] <= 11.
输出
y
根据以下公式创建y(X) = (X[:, 0] ** 2 + (X[:, 1] * X[:, 2] - 1 / (X[:, 1] * X[:, 3])) ** 2) ** 0.5 + noise * N(0, 1).
在用户指南中了解更多信息。
- 参数:
- n_samplesint, default=100
样本数。
- noisefloat, default=0.0
应用于输出的高斯噪声的标准差。
- random_stateint、RandomState 实例或 None,默认为 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, 4) 的 ndarray
输入样本。
- y形状为 (n_samples,) 的 ndarray
输出值。
参考文献
[1]J. Friedman,“多元自适应回归样条”,《统计年鉴》19 (1),第 1-67 页,1991 年。
[2]L. Breiman,“Bagging 预测器”,《机器学习》24,第 123-140 页,1996 年。
示例
>>> from sklearn.datasets import make_friedman2 >>> X, y = make_friedman2(random_state=42) >>> X.shape (100, 4) >>> y.shape (100,) >>> list(y[:3]) [np.float64(1229.4...), np.float64(27.0...), np.float64(65.6...)]