make_friedman3

sklearn.datasets.make_friedman3(n_samples=100, *, шум=0.0, random_state=None)

Сгенерировать регрессионную задачу "Фридмана #3".

Этот набор данных описан в Friedman [1] и Breiman [2].

Входы X имеются 4 независимых признака, равномерно распределенных на интервалах:

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

Выход y создается по формуле:

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

Подробнее в Руководство пользователя.

Параметры:

n_samplesint, по умолчанию=100

Количество образцов.

шумfloat, по умолчанию=0.0

Стандартное отклонение гауссовского шума, применяемого к выходу.

random_stateint, экземпляр RandomState или None, по умолчанию=None

Определяет генерацию случайных чисел для шума в наборе данных. Передайте целое число для воспроизводимого вывода при нескольких вызовах функции. См. Глоссарий.

Возвращает:

Xndarray формы (n_samples, 4)

Входные образцы.

yndarray формы (n_samples,)

Выходные значения.

Ссылки

[1]

Дж. Фридман, "Многомерные адаптивные регрессионные сплайны", The Annals of Statistics 19 (1), страницы 1-67, 1991.

[2]

L. Breiman, «Bagging predictors», Machine Learning 24, стр. 123-140, 1996.

Примеры

>>> 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(1.54), np.float64(0.956), np.float64(0.414)]