make_classification#

sklearn.datasets.make_classification(n_samples=100, n_features=20, *, n_informative=2, n_redundant=2, n_repeated=0, n_classes=2, n_clusters_per_class=2, weights=None, flip_y=0.01, class_sep=1.0, hypercube=True, shift=0.0, scale=1.0, shuffle=True, random_state=None, return_X_y=True)[source]#

生成一个随机的 n 类分类问题。

此函数最初创建围绕一个 n_informative 维超立方体顶点的点簇，这些簇呈正态分布（std=1），超立方体的边长为 2*class_sep，并且每个类别分配相同数量的簇。它在这些特征之间引入了相互依赖关系，并向数据中添加了各种类型的进一步噪声。

在不进行洗牌的情况下，X 按以下顺序水平堆叠特征：首先是主要的 n_informative 个特征，接着是 n_redundant 个信息特征的线性组合，再接着是从信息特征和冗余特征中随机抽取（可重复抽取）的 n_repeated 个重复特征。剩余的特征填充为随机噪声。因此，在不进行洗牌的情况下，所有有用的特征都包含在列 X[:, :n_informative + n_redundant + n_repeated] 中。

在用户指南中阅读更多内容。

参数:

n_samplesint, default=100: 样本数。
n_featuresint, default=20: 特征的总数。这些特征包括 n_informative 个信息特征、n_redundant 个冗余特征、n_repeated 个重复特征以及 n_features-n_informative-n_redundant-n_repeated 个随机抽取的无用特征。
n_informativeint, default=2: 信息特征的数量。每个类别由多个高斯簇组成，每个簇位于一个 n_informative 维子空间中超立方体的顶点附近。对于每个簇，信息特征独立地从 N(0, 1) 中抽取，然后在每个簇内随机地进行线性组合以增加协方差。然后将这些簇放置在超立方体的顶点上。
n_redundantint, default=2: 冗余特征的数量。这些特征是作为信息特征的随机线性组合生成的。
n_repeatedint, default=0: 重复特征的数量，从信息特征和冗余特征中随机抽取。
n_classesint, default=2: 分类问题的类别（或标签）数量。
n_clusters_per_classint, default=2: 每个类别的簇数量。
weightsarray-like of shape (n_classes,) or (n_classes - 1,), default=None: 分配给每个类别的样本比例。如果为 None，则类别平衡。请注意，如果 len(weights) == n_classes - 1，则最后一个类别的权重会自动推断。如果 weights 的总和超过 1，则可能会返回超过 n_samples 个样本。请注意，当 flip_y 不为 0 时，实际的类别比例将与 weights 不完全匹配。
flip_yfloat, default=0.01: 类别被随机分配的样本比例。值越大，标签中引入的噪声越多，使分类任务更难。请注意，在某些情况下，默认设置 flip_y > 0 可能导致 y 中的类别数少于 n_classes。
class_sepfloat, default=1.0: 乘以超立方体大小的因子。值越大，簇/类别分散得越开，使分类任务越容易。
hypercubebool, default=True: 如果为 True，则簇放置在超立方体的顶点上。如果为 False，则簇放置在随机多面体的顶点上。
shiftfloat, ndarray of shape (n_features,) or None, default=0.0: 按指定值平移特征。如果为 None，则特征按在 [-class_sep, class_sep] 中抽取的随机值平移。
scalefloat, ndarray of shape (n_features,) or None, default=1.0: 按指定值缩放特征。如果为 None，则特征按在 [1, 100] 中抽取的随机值缩放。请注意，缩放发生在平移之后。
shufflebool, default=True: 洗牌样本和特征。
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 int 值以在多次函数调用中获得可重现的输出。请参阅词汇表。
return_X_ybool, default=True: 如果为 True，则返回一个元组 (X, y) 而不是一个 Bunch 对象。

在版本 1.7 中新增。

返回:

dataBunch if return_X_y is False.

Dictionary-like object, with the following attributes.

DESCRstr: 生成数据集的函数的描述。
parameterdict: 一个字典，存储传递给生成器函数的参数值。
feature_infolist of len(n_features): 对每个生成特征的描述。
Xndarray of shape (n_samples, n_features): 生成的样本。
yndarray of shape (n_samples,): 每个样本的类别成员资格的整数标签。

在版本 1.7 中新增。

(X, y)tuple if return_X_y is True

生成的样本和标签组成的元组。

另请参阅

make_blobs: 简化版本。
make_multilabel_classification: 用于多标签任务的不相关生成器。

注意事项

该算法改编自 Guyon [1]，旨在生成“Madelon”数据集。

References

[1]

I. Guyon, “Design of experiments for the NIPS 2003 variable selection benchmark”, 2003.

示例

>>> from sklearn.datasets import make_classification
>>> X, y = make_classification(random_state=42)
>>> X.shape
(100, 20)
>>> y.shape
(100,)
>>> list(y[:5])
[np.int64(0), np.int64(0), np.int64(1), np.int64(1), np.int64(0)]