make_classification 是 sklearn.datasets 模块中的一个函数，其作用是生成一个用于分类任务的合成数据集。在机器学习的实验与测试里，往往需要一些标准的数据集来评估模型的性能，而 make_classification 能够依据用户的需求生成具有不同特征和分布的数据集，从而方便用户对模型进行测试与验证。
函数原型
sklearn.datasets.make_classification(n_samples=100, n_features=20, n_informative=2, n_redundant=2,
n_repeated=0, 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)
参数解释
n_samples：整数，默认值为 100。表示生成样本的数量。n_features：整数，默认值为 20。表示生成特征的数量。n_informative：整数，默认值为 2。表示有信息的特征数量，这些特征对分类任务有实际的帮助。n_redundant：整数，默认值为 2。表示冗余特征的数量，这些特征是有信息特征的线性组合。n_repeated：整数，默认值为 0。表示重复特征的数量，这些特征是有信息特征和冗余特征的随机重复。n_classes：整数，默认值为 2。表示分类的类别数量。n_clusters_per_class：整数，默认值为 2。表示每个类别中的簇数量。weights：数组或None，默认值为None。表示每个类别的样本比例。例如[0.2, 0.8]表示第一个类别占 20%，第二个类别占 80%。如果为None，则所有类别样本数量相等。flip_y：浮点数，默认值为 0.01。表示随机交换标签的样本比例，用于引入噪声。class_sep：浮点数，默认值为 1.0。表示不同类别之间的分离程度，值越大，类别之间越容易区分。hypercube：布尔值，默认值为True。如果为True，则将簇放置在超立方体的顶点上；如果为False，则将簇放置在随机多面体的顶点上。shift：浮点数或数组，默认值为 0.0。表示对每个特征进行平移的量。scale：浮点数或数组，默认值为 1.0。表示对每个特征进行缩放的量。shuffle：布尔值，默认值为True。如果为True，则对生成的样本和特征进行洗牌。random_state：整数、RandomState实例或None，默认值为None。用于随机数生成器的种子，确保结果的可重复性。
返回值
X：二维数组，形状为(n_samples, n_features)。表示生成的特征矩阵。y：一维数组，形状为(n_samples,)。表示生成的类别标签。
示例代码
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score
# 生成一个分类数据集
X, y = make_classification(n_samples=1000, n_features=10, n_informative=5, n_redundant=0, random_state=42)
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建逻辑回归模型
model = LogisticRegression()
# 训练模型
model.fit(X_train, y_train)
# 进行预测
y_pred = model.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")
在这个示例中，使用 make_classification 生成了一个包含 1000 个样本、10 个特征的分类数据集，其中 5 个特征是有信息的。然后将数据集划分为训练集和测试集，使用逻辑回归模型进行训练和预测，并计算了模型的准确率。
注意：本文归作者所有，未经作者允许，不得转载
