mars.learn.datasets.make_classification#

mars.learn.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)[来源]#

生成一个随机的n类分类问题。

这最初创建了通常分布的点的簇（std=1），围绕一个n_informative维超立方体的顶点，边长为2*class_sep，并将相等数量的簇分配给每个类。它引入了这些特征之间的相互依赖，并向数据添加了各种类型的进一步噪声。

不进行洗牌，X 水平堆叠特征的顺序如下：主要的 n_informative 特征，接着是 n_redundant 个信息特征的线性组合，然后是 n_repeated 个重复项，从信息特征和冗余特征中随机抽取，并且允许替换。剩余的特征用随机噪声填充。因此，不进行洗牌的情况下，所有有用的特征都包含在列 X[:, :n_informative + n_redundant + n_repeated] 中。

在用户指南中阅读更多内容。

Parameters

  • n_samples (int, 可选 (默认=100)) – 样本数量。

  • n_features (int, 可选 (default=20)) – 特征的总数。这包括 n_informative 有信息量的特征，n_redundant 冗余特征，n_repeated 重复特征和 n_features-n_informative-n_redundant-n_repeated 随机抽取的无用特征。

  • n_informative (int, 可选的 (默认值=2)) – 信息特征的数量。每个类别由多个高斯聚类组成，每个聚类位于超立方体的顶点周围，位于维度为 n_informative 的子空间中。对于每个聚类，信息特征是独立地从 N(0, 1) 中抽取的，然后在每个聚类内随机线性组合，以添加协方差。然后将聚类放置在超立方体的顶点上。

  • n_redundant (int, 可选 (默认=2)) – 冗余特征的数量。这些特征作为信息特征的随机线性组合生成。

  • n_repeated (int, 可选 (默认=0)) – 复制特征的数量，从有信息量的特征和冗余特征中随机抽取。

  • n_classes (int, 可选 (默认=2)) – 分类问题的类别（或标签）数量。

  • n_clusters_per_class (int, 可选 (默认=2)) – 每个类别的聚类数量。

  • weights (list of floats or None (default=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，那么最后一个类别的权重会自动推断。如果 weights 的总和超过 1，则可能返回超过 n_samples 的样本。

  • flip_y (float, 可选 (默认值=0.01)) – 随机交换类别的样本比例。较大的值会引入标签中的噪声，使分类任务更加困难。

  • class_sep (float, 可选 (默认=1.0)) – 这个值是乘以超立方体大小的因子。较大的值会扩散聚类/类别，使分类任务更容易。

  • hypercube (boolean, 可选 (默认=True)) – 如果为True，簇将放在一个超立方体的顶点上。如果为False，簇将放在一个随机多面体的顶点上。

  • shift (float, array of shape [n_features] or None, optional (default=0.0)) – 按照指定的值平移特征。如果为 None，则特征会根据从 [-class_sep, class_sep] 中抽取的随机值进行平移。

  • scale (float, array of shape [n_features] or None, optional (default=1.0)) – 用指定的值乘以特征。如果是None，则特征将按随机值缩放，随机值范围在[1, 100]内。注意缩放发生在平移之后。

  • shuffle (boolean, 可选 (默认=True)) – 打乱样本和特征。

  • random_state (int, RandomState 实例 或 None（默认）) – 决定数据集创建时的随机数生成。传递一个整数以便在多个函数调用之间获得可重复的输出。 参见 术语表。

Returns

  • X (形状为 [n_samples, n_features] 的张量) – 生成的样本。

  • y (形状为 [n_samples] 的张量) – 每个样本的类别成员的整数标签。

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，“NIPS 2003变量选择基准实验设计”，2003。

另请参阅

make_blobs

简化变种

make_multilabel_classification

与多标签任务无关的生成器