make_classification 是 sklearn.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
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
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
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
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。