make_gaussian_quantiles#

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]#

生成各向同性高斯，并按分位数标记样本。

此分类数据集是通过取一个多维标准正态分布并定义由嵌套的同心多维球体分隔的类别来构建的，使得每个类别中的样本数量大致相等（\(\chi^2\) 分布的分位数）。

在用户指南中阅读更多内容。

参数:
mean形状为 (n_features,) 的类数组对象，默认值=None

多维正态分布的均值。如果为 None，则使用原点 (0, 0, …)。

covfloat，默认值=1.0

协方差矩阵将是此值乘以单位矩阵。此数据集仅生成对称正态分布。

n_samplesint, default=100

在类别之间平均分配的总点数。

n_featuresint，默认值=2

每个样本的特征数量。

n_classesint，默认值=3

类的数量。

shufflebool, default=True

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 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。

返回:
Xndarray of shape (n_samples, n_features)

生成的样本。

yndarray of shape (n_samples,)

每个样本的分位数成员资格的整数标签。

注意事项

该数据集来自 Zhu 等人 [1]。

References

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)]