產生 friedman3 資料集#

sklearn.datasets.make_friedman3(n_samples=100, *, noise=0.0, random_state=None)[原始碼]#

產生「Friedman #3」迴歸問題。

此資料集在 Friedman [1] 和 Breiman [2] 中有所描述。

輸入 X 是 4 個獨立特徵，均勻分佈在以下區間

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

輸出 y 根據以下公式建立

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

請參閱使用者指南中的詳細說明。

參數:

n_samplesint，預設值=100: 樣本數。
noisefloat，預設值=0.0: 套用至輸出的高斯雜訊的標準差。
random_stateint、RandomState 實例或 None，預設值=None: 決定資料集雜訊的隨機數產生。傳遞一個 int 以在多個函式呼叫中產生可重現的輸出。請參閱詞彙表。

回傳:

X形狀為 (n_samples, 4) 的 ndarray: 輸入樣本。
y形狀為 (n_samples,) 的 ndarray: 輸出值。

參考文獻

[1]

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

[2]

L. Breiman, “Bagging predictors”, Machine Learning 24, pages 123-140, 1996.

範例

>>> from sklearn.datasets import make_friedman3
>>> X, y = make_friedman3(random_state=42)
>>> X.shape
(100, 4)
>>> y.shape
(100,)
>>> list(y[:3])
[np.float64(1.5...), np.float64(0.9...), np.float64(0.4...)]