make_gaussian_quantiles

sklearn.datasets.make_gaussian_quantiles(*, mean=None, cov=1.0, n_samples=100, n_features=2, n_classes=3, shuffle=True, random_state=None)[исходный код]

Генерирует изотропные гауссовы выборки и присваивает метки на основе квантилей.

Этот набор данных для классификации создаётся путём взятия многомерного стандартного нормального распределения и определения классов, разделённых вложенными концентрическими многомерными сферами, так что в каждом классе находится примерно одинаковое количество выборок (квантили распределения \(\chi^2\)).

Подробнее см. в руководстве пользователя.

Параметры:

meanмассивоподобный объект формы (n_features,), по умолчанию=None

Среднее многомерного нормального распределения. Если None, используется начало координат (0, 0, …).

covfloat, по умолчанию=1.0

Ковариационная матрица равна этому значению, умноженному на единичную матрицу. Этот набор данных создаёт только симметричные нормальные распределения.

n_samplesint, по умолчанию=100

Общее количество точек, поровну распределённых между классами.

n_featuresint, по умолчанию=2

Количество признаков для каждой выборки.

n_classesint, по умолчанию=3

Количество классов.

shufflebool, по умолчанию=True

Перемешивать выборки.

random_stateint, экземпляр RandomState или None, по умолчанию=None

Определяет генерацию случайных чисел при создании набора данных. Передайте целое число, чтобы получать воспроизводимые результаты при нескольких вызовах функции. См. глоссарий.

Возвращает:

Xndarray формы (n_samples, n_features)

Сгенерированные выборки.

yndarray формы (n_samples,)

Целочисленные метки, указывающие принадлежность каждой выборки к квантилю.

Примечания

Набор данных взят из работы Zhu et al [1].

Ссылки

[1]

J. Zhu, H. Zou, S. Rosset, T. Hastie, «Multi-class AdaBoost». Statistics and its Interface 2.3 (2009): 349–360.

Примеры

>>> from sklearn.datasets import make_gaussian_quantiles
>>> X, y = make_gaussian_quantiles(random_state=42)
>>> X.shape
(100, 2)
>>> y.shape
(100,)
>>> list(y[:5])
[np.int64(2), np.int64(0), np.int64(1), np.int64(0), np.int64(2)]

Примеры из галереи

Многоклассовые деревья решений AdaBoost

Двухклассовый AdaBoost