大兴黄村网站建设公司,wordpress多说插件,网站模板 缓存商标,黑龙江网站建站建设scikit-learn库学习之make_regression函数 一、简介
make_regression是scikit-learn库中用于生成回归问题数据集的函数。它主要用于创建合成的回归数据集#xff0c;以便在算法的开发和测试中使用。
二、语法和参数
sklearn.datasets.make_regression(n_samples100, n_feat… scikit-learn库学习之make_regression函数 一、简介
make_regression是scikit-learn库中用于生成回归问题数据集的函数。它主要用于创建合成的回归数据集以便在算法的开发和测试中使用。
二、语法和参数
sklearn.datasets.make_regression(n_samples100, n_features100, *, n_informative10, n_targets1, bias0.0, effective_rankNone, tail_strength0.5, noise0.0, shuffleTrue, coefFalse, random_stateNone)n_samples: int, 可选样本数量默认值为100。n_features: int, 可选特征数量默认值为100。n_informative: int, 可选有用特征的数量默认值为10。n_targets: int, 可选目标变量的数量默认值为1。bias: float, 可选偏置项默认值为0.0。effective_rank: int 或 None, 可选矩阵的有效秩生成具有指定有效秩的低秩矩阵。tail_strength: float, 可选稀疏奇异值分解的尾部强度默认值为0.5。noise: float, 可选噪声的标准差默认值为0.0。shuffle: boolean, 可选是否在生成样本后对其进行洗牌默认值为True。coef: boolean, 可选如果为True则返回线性模型的系数默认值为False。random_state: int, RandomState instance 或 None, 可选随机数生成器的种子。
三、实例
3.1 生成具有默认参数的回归数据集
import numpy as np
from sklearn.datasets import make_regression# 生成回归数据集
X, y make_regression()print(特征矩阵X:\n, X)
print(目标变量y:\n, y)输出
特征矩阵X:[[ 0.22149882 -0.06453352 0.12052486 ... -0.82411415 0.23856925-0.16168211][-0.20101287 -0.44072967 -1.14649484 ... 0.63646684 -0.425003860.4671914 ]...[ 0.90505363 -0.53703078 0.50773971 ... 1.14990328 0.05411115-0.08363001]]
目标变量y:[-144.31924045 181.62052712 -48.9289649 ... 235.29125152223.43232493 102.79266155]3.2 生成带有噪声和偏置的回归数据集
import numpy as np
from sklearn.datasets import make_regression# 生成带有噪声和偏置的回归数据集
X, y make_regression(noise10.0, bias100.0)print(特征矩阵X:\n, X)
print(目标变量y:\n, y)输出
特征矩阵X:[[ 1.24086241 0.00303736 1.17925455 ... -1.07069539 0.93889406-0.22232984][-0.74205332 0.65462794 0.14662052 ... -0.59564518 1.286698671.00484528]...[ 1.00952406 -0.34893754 0.04816599 ... 0.53224443 1.08944202-0.68298357]]
目标变量y:[ 97.85236613 57.67386596 143.4882752 ... -43.32816291-160.72606466 -91.79449558]3.3 生成指定有效秩的回归数据集
import numpy as np
from sklearn.datasets import make_regression# 生成指定有效秩的回归数据集
X, y make_regression(effective_rank2)print(特征矩阵X:\n, X)
print(目标变量y:\n, y)输出
特征矩阵X:[[-0.13033419 -0.11927356 -0.1261044 ... -0.11075221 -0.09502064-0.15613214][-0.12111371 -0.1146456 -0.1225812 ... -0.10441777 -0.09032011-0.14703234]...[-0.13796815 -0.12383917 -0.13535568 ... -0.11880625 -0.10313284-0.17030849]]
目标变量y:[-123.66530542 -143.25411773 -127.83807546 ... -145.23413153-131.64245155 -124.93295103]四、注意事项
参数n_samples和n_features决定了生成数据集的大小和维度。n_informative参数决定了有用特征的数量这些特征对目标变量有显著影响。noise参数添加到目标变量中的噪声值越大数据越不纯。设置random_state参数以确保每次生成数据的一致性。如果需要生成指定秩的矩阵可以使用effective_rank参数。
