生成Friedman #3数据集#

sklearn.datasets.make_friedman3(n_samples=100, *, noise=0.0, random_state=None)[source]#

生成“Friedman #3”回归问题。

该数据集在Friedman [1] 和 Breiman [2] 中有描述。

输入X是4个独立特征,均匀分布在区间

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) = arctan((X[:, 1] * X[:, 2] - 1 / (X[:, 1] * X[:, 3])) / X[:, 0]) + noise * N(0, 1).

更多信息请参见用户指南

参数:
n_samplesint,默认值=100

样本数量。

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, 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_friedman3
>>> X, y = make_friedman3(random_state=42)
>>> X.shape
(100, 4)
>>> y.shape
(100,)
>>> list(y[:3])
[np.float64(1.5...), np.float64(0.9...), np.float64(0.4...)]