sklearn.datasets中make_classification函数

make_classificationsklearn.datasets 模块中的一个函数,用于生成一个用于分类任务的虚拟数据集。它允许你生成具有指定特征、类别和噪声等属性的人工数据集,通常用于测试和演示机器学习算法。

语法

python 复制代码
from sklearn.datasets import make_classification

make_classification(n_samples=100, n_features=20, n_informative=2, n_redundant=2,
                     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)

参数说明

  • n_samples : 样本数量,默认值是 100。决定数据集中的样本数。
  • n_features : 特征数量,默认值是 20。生成的特征的总数。
  • n_informative : 有信息的特征数量,默认值是 2。这些特征对目标变量有实际影响。
  • n_redundant : 冗余特征的数量,默认值是 2。这些特征是从现有的有信息特征中线性组合而来,不提供额外的有用信息。
  • n_classes : 类别数,默认值是 2。目标变量的类别数量。
  • n_clusters_per_class : 每个类别中的簇数,默认值是 2。用于定义类别的分布。
  • weights : 每个类的样本权重,默认值是 None。可以用来设置每个类别的样本比例。
  • flip_y : 标签的随机噪声比例,默认值是 0.01。可以用来模拟标签中的噪声。
  • class_sep : 类别之间的分隔度,默认值是 1.0。较大的值意味着类别之间更容易分开,较小的值会导致类别重叠。
  • hypercube : 是否生成超立方体形状的特征空间,默认值是 True
  • shift : 对生成的特征进行平移,默认值是 0.0
  • scale : 对生成的特征进行缩放,默认值是 1.0
  • shuffle : 是否打乱样本顺序,默认值是 True
  • random_state: 随机数生成器的种子,用于控制结果的可重复性。

返回值

返回一个元组 (X, y),其中:

  • X 是生成的特征矩阵,形状为 (n_samples, n_features)
  • y 是目标变量的标签数组,形状为 (n_samples,)

示例

1. 基本示例

生成一个包含 100 个样本、2 个特征、2 个类别的简单分类数据集:

python 复制代码
from sklearn.datasets import make_classification

X, y = make_classification(n_samples=100, n_features=2, n_classes=2, random_state=42)

print(X.shape)  # 输出 (100, 2)
print(y.shape)  # 输出 (100,)
2. 更多控制

生成 1000 个样本,20 个特征,其中 5 个是有信息的,3 个是冗余的,类别之间有噪声:

python 复制代码
X, y = make_classification(n_samples=1000, n_features=20, n_informative=5, 
                            n_redundant=3, n_classes=3, flip_y=0.05, random_state=42)

print(X.shape)  # 输出 (1000, 20)
print(y.shape)  # 输出 (1000,)
3. 自定义类别分布

自定义类别的样本分布(例如,使类别 0 和类别 1 更为不平衡):

python 复制代码
X, y = make_classification(n_samples=1000, n_features=10, n_classes=2, 
                            weights=[0.9, 0.1], random_state=42)

print(y[:20])  # 输出样本标签,类别不平衡

应用场景

  • 测试和验证模型:生成用于分类任务的模拟数据,帮助评估不同分类算法的效果。
  • 教学和演示:用于机器学习教程和课堂教学,展示如何处理不同的分类问题。
  • 算法调试 :当你需要一个已知的、有控制特征的数据集来调试或调整机器学习模型时,make_classification 是一个很好的工具。

通过 make_classification,可以快速生成多样的人工数据集,以适应不同的机器学习实验。

相关推荐
ahauedu几秒前
用Java 代码实现一个简单的负载均衡逻辑
java·python·负载均衡
优宁维生物20 分钟前
血液样本的分类与应用
人工智能·分类·数据挖掘
工业甲酰苯胺29 分钟前
Django集成Swagger全指南:两种实现方案详解
python·django·sqlite
Blossom.11831 分钟前
基于深度学习的图像分类:使用DenseNet实现高效分类
人工智能·深度学习·目标检测·机器学习·分类·数据挖掘·迁移学习
慧星云36 分钟前
慧星云新增大模型服务 :多款大模型轻松调用
人工智能
蓝蜂物联网42 分钟前
边缘计算网关与 EMCP 物联网云平台:无缝协作,共筑智能生态
人工智能·物联网·边缘计算
豌豆花下猫44 分钟前
Python 潮流周刊#112:欢迎 AI 时代的编程新人
后端·python·ai
鹿先森AI探索之路1 小时前
本地部署Dify教程
人工智能·docker·ai
说私域1 小时前
基于定制开发开源AI智能名片S2B2C商城小程序源码的立减/立得类活动创新设计与应用研究
人工智能·开源