make_friedman2

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

Generiert das Regressionsproblem „Friedman #2“.

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

Die Eingaben X sind 4 unabhängige Merkmale, die gleichmäßig auf den Intervallen verteilt sind

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

Die Ausgabe y wird gemäß der Formel erstellt

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

Lesen Sie mehr im Benutzerhandbuch.

Parameter:

n_samplesint, Standard=100

Die Anzahl der Stichproben.

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, 4)

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_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)]