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类别分类问题。

该函数最初创建点簇，这些点簇以 n_informative 维超立方体的顶点为中心呈正态分布（标准差=1），超立方体的边长为 2*class_sep，并为每个类别分配相同数量的点簇。它在这些特征之间引入相互依赖性，并向数据添加各种类型的额外噪声。

不进行混洗时，X 按以下顺序水平堆叠特征：首先是主要的 n_informative 个信息特征，接着是 n_redundant 个信息特征的线性组合，然后是 n_repeated 个从信息特征和冗余特征中随机抽取（可重复）的重复特征。其余特征则填充随机噪声。因此，在不混洗的情况下，所有有用特征都包含在 X[:, :n_informative + n_redundant + n_repeated] 这些列中。

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=20

特征总数。其中包括 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 个随机生成的无用特征。

n_informative整型, 默认值=2

信息特征的数量。每个类别由多个高斯聚类组成，每个聚类位于 n_informative 维子空间中超立方体的顶点周围。对于每个聚类，信息特征独立地从 N(0, 1) 中抽取，然后在每个聚类内随机线性组合以增加协方差。然后将这些聚类放置在超立方体的顶点上。

n_redundant整型, 默认值=2

冗余特征的数量。这些特征是信息特征的随机线性组合生成的。

n_repeated整型, 默认值=0

重复特征的数量，从信息特征和冗余特征中随机抽取。

n_classes整型, 默认值=2

分类问题的类别（或标签）数量。

n_clusters_per_class整型, 默认值=2

每个类别的簇数量。

weights类数组，形状为 (n_classes,) 或 (n_classes - 1,), 默认值=None

分配给每个类别的样本比例。如果为 None，则类别是平衡的。请注意，如果 len(weights) == n_classes - 1，则最后一个类别的权重将自动推断。如果 weights 的总和超过 1，则可能会返回超过 n_samples 的样本。请注意，当 flip_y 不为 0 时，实际的类别比例可能与 weights 不完全匹配。

flip_y浮点型, 默认值=0.01

类别被随机分配的样本比例。值越大，标签中的噪声越多，分类任务也越困难。请注意，默认设置 flip_y > 0 在某些情况下可能导致 y 中的类别数少于 n_classes。

class_sep浮点型, 默认值=1.0

超立方体大小的乘数因子。值越大，簇/类别分布越分散，分类任务也越容易。

hypercube布尔型, 默认值=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。

shift浮点型, 形状为 (n_features,) 的 ndarray 或 None, 默认值=0.0

按指定值移动特征。如果为 None，则特征按在 [-class_sep, class_sep] 中抽取的随机值移动。

scale浮点型, 形状为 (n_features,) 的 ndarray 或 None, 默认值=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，缩放发生在移动之后。

shuffle布尔型, 默认值=True

混洗样本和特征。

random_state整型, RandomState 实例或 None, 默认值=None

决定数据集创建的随机数生成。传入一个整型值可确保多次函数调用时的输出可重现。请参阅术语表。

return_X_y布尔型, 默认值=True

如果为 True，则返回一个元组 (X, y) 而不是 Bunch 对象。

版本 1.7 新增。

返回:
data如果 return_X_y 为 False, 则为 Bunch。

类似字典的对象，具有以下属性。

DESCR字符串

生成数据集的函数描述。

parameter字典

一个字典，存储传递给生成器函数的参数值。

feature_info长度为 len(n_features) 的列表

对每个生成特征的描述。

X形状为 (n_samples, n_features) 的 ndarray

生成的样本。

y形状为 (n_samples,) 的 ndarray

每个样本类别成员资格的整数标签。

版本 1.7 新增。

(X, y)如果 return_X_y 为 True，则为元组

包含生成的样本和标签的元组。

另请参阅

make_blobs

简化变体。

make_multilabel_classification

用于多标签任务的无关生成器。

备注

该算法改编自 Guyon [1]，旨在生成“Madelon”数据集。

参考文献

[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)]