make_friedman1#

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

生成“Friedman #1”回归问题。

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

输入 X 是在区间 [0, 1] 上均匀分布的独立特征。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 个特征中，只有 5 个实际用于计算 y。其余特征与 y 无关。

特征数量必须 >= 5。

在用户指南中阅读更多内容。

参数:

n_samplesint, default=100: 样本数。
n_featuresint, default=10: 特征的数量。应至少为 5。
noisefloat, default=0.0: 应用于输出的高斯噪声的标准差。
random_stateint, RandomState instance or None, default=None: 确定数据集噪声的随机数生成。传入一个 int 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:

Xndarray of shape (n_samples, n_features): 输入样本。
yndarray of shape (n_samples,): 输出值。

References

[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#

本页