Python sklearn make_friedman1用法及代码示例

本文简要介绍python语言中 sklearn.datasets.make_friedman1 的用法。

用法:

sklearn.datasets.make_friedman1(n_samples=100, n_features=10, *, noise=0.0, random_state=None)

生成“Friedman #1”回归问题。

该数据集在 Friedman [1] 和 Breiman [2] 中有所说明。

输入X 是均匀分布在区间 [0, 1] 上的独立特征。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 函数中，实际上只有 5 个用于计算 y 。其余函数独立于 y 。

特征数量必须 >= 5。

在用户指南中阅读更多信息。

参数：

n_samples：整数，默认=100

样本数。

n_features：整数，默认=10

特征的数量。至少应为 5。

noise：浮点数，默认=0.0

应用于输出的高斯噪声的标准偏差。

random_state：int、RandomState 实例或无，默认=无

确定数据集噪声的随机数生成。传递 int 以在多个函数调用之间实现可重现的输出。请参阅术语表。

返回：

X：ndarray 形状(n_samples，n_features)

输入样本。

y：ndarray 形状 (n_samples,)

输出值。

参考：

1

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

2

L. Breiman，“Bagging predictors”，机器学习 24，第 123-140 页，1996 年。