make_regression#

sklearn.datasets.make_regression(n_samples=100, n_features=100, *, n_informative=10, n_targets=1, смещение=0.0, effective_rank=None, tail_strength=0.5, шум=0.0, перемешивание=True, coef=False, random_state=None)[источник]#

Сгенерировать случайную регрессионную задачу.

Входной набор может быть либо хорошо обусловленным (по умолчанию), либо иметь низкий ранг с жирным хвостом сингулярного профиля. См. make_low_rank_matrix для более подробной информации.

Выходные данные генерируются применением (возможно, смещенной) случайной линейной регрессионной модели с n_informative ненулевые регрессоры к ранее сгенерированному входу и некоторому гауссову шуму с центром с регулируемым масштабом.

Подробнее в Руководство пользователя.

Параметры:
n_samplesint, по умолчанию=100

Количество образцов.

n_featuresint, по умолчанию=100

Количество признаков.

n_informativeint, по умолчанию=10

Количество информативных признаков, т.е., количество признаков, используемых для построения линейной модели, используемой для генерации выхода.

n_targetsint, по умолчанию=1

Количество регрессионных целей, т.е. размерность выходного вектора y, связанного с выборкой. По умолчанию выход является скаляром.

смещениеfloat, по умолчанию=0.0

Смещение в базовой линейной модели.

effective_rankint, default=None
Если не None:

Приблизительное количество сингулярных векторов, необходимых для объяснения большей части входных данных линейными комбинациями. Использование такого рода сингулярного спектра во входных данных позволяет генератору воспроизводить корреляции, часто наблюдаемые на практике.

Если None:

Входной набор хорошо обусловлен, центрирован и имеет гауссово распределение с единичной дисперсией.

tail_strengthfloat, по умолчанию=0.5

Относительная важность шумного хвоста профиля сингулярных значений, если effective_rank не является None. Если это число с плавающей точкой, оно должно быть между 0 и 1.

шумfloat, по умолчанию=0.0

Стандартное отклонение гауссовского шума, применяемого к выходу.

перемешиваниеbool, по умолчанию=True

Перемешать образцы и признаки.

coefbool, по умолчанию=False

Если True, возвращаются коэффициенты базовой линейной модели.

random_stateint, экземпляр RandomState или None, по умолчанию=None

Определяет генерацию случайных чисел для создания набора данных. Передайте целое число для воспроизводимого результата при нескольких вызовах функции. См. Глоссарий.

Возвращает:
Xndarray формы (n_samples, n_features)

Входные образцы.

yndarray формы (n_samples,) или (n_samples, n_targets)

Выходные значения.

coefndarray формы (n_features,) или (n_features, n_targets)

Коэффициент базовой линейной модели. Возвращается только если coef равно True.

Примеры

>>> from sklearn.datasets import make_regression
>>> X, y = make_regression(n_samples=5, n_features=2, noise=1, random_state=42)
>>> X
array([[ 0.4967, -0.1382 ],
    [ 0.6476,  1.523],
    [-0.2341, -0.2341],
    [-0.4694,  0.5425],
    [ 1.579,  0.7674]])
>>> y
array([  6.737,  37.79, -10.27,   0.4017,   42.22])
На этой странице