make_friedman1#

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

生成“Friedman #1”回归问题。

此数据集在 Friedman [1] 和 Breiman [2] 中有所描述。

输入 X 是独立特征，均匀分布在 [0, 1] 区间上。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 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。

更多信息请参阅用户指南。

参数:

n_samples整型，默认值=100: 样本数量。
n_features整型，默认值=10: 特征数量。应至少为 5。
noise浮点型，默认值=0.0: 应用于输出的高斯噪声的标准差。
random_state整型，RandomState 实例或 None，默认值=None: 确定数据集噪声的随机数生成。传入一个整数以在多次函数调用中获得可重现的输出。参见术语表。

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(5.87), np.float64(9.46)]

make_friedman1#

此页