make_friedman2

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

生成“弗里德曼#2”回归问题。

该数据集在Friedman [1] 和布莱曼 [2] .

输入 X 是均匀分布在间隔上的4个独立特征：

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

输出 y 根据公式创建：：

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

阅读更多的 User Guide .

参数:

n_samplesint，默认=100

样本数量。

noisefloat，默认=0.0

The standard deviation of the gaussian noise applied to the output.

random_stateint，RandomState实例或无，默认=无

确定数据集噪音的随机数生成。传递int以获得跨多个函数调用的可重复输出。看到 Glossary .

返回:

X形状的nd数组（n_samples，4）

输入样本。

y形状的nd数组（n_samples，）

输出值。

引用

[1]

J. Friedman, "Multivariate adaptive regression splines", The Annals of Statistics 19 (1), pages 1-67, 1991.

[2]

L. Breiman, "Bagging predictors", Machine Learning 24, pages 123-140, 1996.

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...)]