Python sklearn make_friedman1用法及代碼示例

本文簡要介紹python語言中 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”回歸問題。

該數據集在 Friedman [1] 和 Breiman [2] 中有所說明。

輸入X 是均勻分布在區間 [0, 1] 上的獨立特征。輸出 y 根據以下公式創建：

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 函數中，實際上隻有 5 個用於計算 y 。其餘函數獨立於 y 。

特征數量必須 >= 5。

在用戶指南中閱讀更多信息。

參數：

n_samples：整數，默認=100

樣本數。

n_features：整數，默認=10

特征的數量。至少應為 5。

noise：浮點數，默認=0.0

應用於輸出的高斯噪聲的標準偏差。

random_state：int、RandomState 實例或無，默認=無

確定數據集噪聲的隨機數生成。傳遞 int 以在多個函數調用之間實現可重現的輸出。請參閱術語表。

返回：

X：ndarray 形狀(n_samples，n_features)

輸入樣本。

y：ndarray 形狀 (n_samples,)

輸出值。

參考：

1

J. Friedman，“多元自適應回歸樣條曲線”，統計年鑒 19 (1)，第 1-67 頁，1991 年。

2

L. Breiman，“Bagging predictors”，機器學習 24，第 123-140 頁，1996 年。