make_sparse_uncorrelated#

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

生成一个具有稀疏不相关设计点的随机回归问题。

该数据集在 Celeux 等人 [1] 中描述为

X ~ N(0, 1)
y(X) = X[:, 0] + 2 * X[:, 1] - 2 * X[:, 2] - 1.5 * X[:, 3]

只有前4个特征具有信息。其余特征是无用的。

在用户指南中阅读更多内容。

参数:

n_samplesint，默认值=100: 样本数量。
n_featuresint，默认值=10: 特征数量。
random_stateint, RandomState 实例或 None, 默认值=None: 确定数据集创建的随机数生成。传入一个整数以在多次函数调用中获得可重现的输出。请参阅词汇表。

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]

G. Celeux, M. El Anbari, J.-M. Marin, C. P. Robert，《回归中的正则化：在信息量不足情况下比较贝叶斯和频率学派方法》，2009年。

示例

>>> from sklearn.datasets import make_sparse_uncorrelated
>>> X, y = make_sparse_uncorrelated(random_state=0)
>>> X.shape
(100, 10)
>>> y.shape
(100,)

make_sparse_uncorrelated#

本页