生成 Friedman #2 数据集

sklearn.datasets.make_friedman2(n_samples=100, *, noise=0.0, random_state=None)

生成“Friedman #2”回归问题。

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

输入X是4个独立特征，在区间上均匀分布

0 <= X[:, 0] <= 100,
40 * pi <= X[:, 1] <= 560 * pi,
0 <= X[:, 2] <= 1,
1 <= X[:, 3] <= 11.

输出y根据以下公式创建

y(X) = (X[:, 0] ** 2 + (X[:, 1] * X[:, 2]  - 1 / (X[:, 1] * X[:, 3])) ** 2) ** 0.5 + noise * N(0, 1).

在用户指南中了解更多信息。

参数：

n_samplesint, default=100

样本数。

noisefloat, default=0.0

应用于输出的高斯噪声的标准差。

random_stateint、RandomState 实例或 None，默认为 None

确定数据集噪声的随机数生成。传递一个整数以在多次函数调用中获得可重复的输出。参见 词汇表。

返回:

X形状为 (n_samples, 4) 的 ndarray

输入样本。

y形状为 (n_samples,) 的 ndarray

输出值。

参考文献

[1]

J. Friedman，“多元自适应回归样条”，《统计年鉴》19 (1)，第 1-67 页，1991 年。

[2]

L. Breiman，“Bagging 预测器”，《机器学习》24，第 123-140 页，1996 年。

示例

>>> from sklearn.datasets import make_friedman2
>>> X, y = make_friedman2(random_state=42)
>>> X.shape
(100, 4)
>>> y.shape
(100,)
>>> list(y[:3])
[np.float64(1229.4...), np.float64(27.0...), np.float64(65.6...)]