创建高斯分位数#

sklearn.datasets.make_gaussian_quantiles(*, mean=None, cov=1.0, n_samples=100, n_features=2, n_classes=3, shuffle=True, random_state=None)[source]#

根据分位数生成各向同性高斯分布样本和标签。

这个分类数据集是通过采用多维标准正态分布，并用嵌套的同心多维球体定义类别来构建的，这样每个类别中的样本数量大致相等（\(\chi^2\) 分布的分位数）。

更多信息请阅读 用户指南。

参数：
meanarray-like of shape (n_features,), default=None

多维正态分布的均值。如果为 None，则使用原点 (0, 0, …)。

covfloat, default=1.0

协方差矩阵将是该值乘以单位矩阵。此数据集仅生成对称正态分布。

n_samplesint, default=100

在各类别中平均分配的点数总数。

n_featuresint, default=2

每个样本的特征数。

n_classesint, default=3

类别数。

shufflebool, default=True

是否打乱样本。

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 术语表。

返回：
Xndarray of shape (n_samples, n_features)

生成的样本。

yndarray of shape (n_samples,)

每个样本分位数隶属关系的整数标签。

备注

该数据集来自 Zhu 等人 [1]。

参考文献

[1]

  1. Zhu, H. Zou, S. Rosset, T. Hastie, “Multi-class AdaBoost”, 2009.

示例

>>> from sklearn.datasets import make_gaussian_quantiles
>>> X, y = make_gaussian_quantiles(random_state=42)
>>> X.shape
(100, 2)
>>> y.shape
(100,)
>>> list(y[:5])
[np.int64(2), np.int64(0), np.int64(1), np.int64(0), np.int64(2)]