当前位置：首页 > article >正文

sklearn.datasets中make_classification函数

article 2024/12/29 20:47:43

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

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：

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：

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）：

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