make_friedman1

sklearn.datasets.make_friedman1(n_samples=100, n_features=10, *, noise=0.0, random_state=None)

Generiert das Regressionsproblem "Friedman #1".

Dieser Datensatz wird in Friedman [1] und Breiman [2] beschrieben.

Die Eingaben X sind unabhängige Merkmale, die gleichmäßig auf dem Intervall [0, 1] verteilt sind. Die Ausgabe y wird gemäß der Formel erstellt

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).

Von den n_features Merkmalen werden nur 5 tatsächlich zur Berechnung von y verwendet. Die verbleibenden Merkmale sind unabhängig von y.

Die Anzahl der Merkmale muss >= 5 sein.

Lesen Sie mehr im Benutzerhandbuch.

Parameter:

n_samplesint, Standard=100

Die Anzahl der Stichproben.

n_featuresint, Standard=10

Die Anzahl der Merkmale. Sollte mindestens 5 sein.

noisefloat, Standard=0.0

Die Standardabweichung des Gaußschen Rauschens, das auf die Ausgabe angewendet wird.

random_stateint, RandomState-Instanz oder None, default=None

Bestimmt die Zufallszahlengenerierung für Rauschen im Datensatz. Übergeben Sie eine Ganzzahl für reproduzierbare Ergebnisse über mehrere Funktionsaufrufe hinweg. Siehe Glossar.

Gibt zurück:

Xndarray der Form (n_samples, n_features)

Die Eingabestichproben.

yndarray der Form (n_samples,)

Die Ausgabewerte.

Referenzen

[1]

J. Friedman, „Multivariate adaptive regression splines“, The Annals of Statistics 19 (1), Seiten 1-67, 1991.

[2]

L. Breiman, „Bagging predictors“, Machine Learning 24, Seiten 123-140, 1996.

Beispiele

>>> from sklearn.datasets import make_friedman1
>>> X, y = make_friedman1(random_state=42)
>>> X.shape
(100, 10)
>>> y.shape
(100,)
>>> list(y[:3])
[np.float64(16.8), np.float64(5.87), np.float64(9.46)]