Python采用高斯分布产生两二维数据点，将数据分成训练集，验证集。训练集用于对参数的训练，验证集用于对不同模型的选

择和超参数的调整。下面是一个示例代码：

import numpy as np
import matplotlib.pyplot as plt

# 产生高斯分布数据点
def generate_data(num_samples, mean, cov):
    return np.random.multivariate_normal(mean, cov, num_samples)

# 画出数据点
def plot_data(X, y):
    plt.scatter(X[:, 0], X[:, 1], c=y)
    plt.show()

# 将数据分成训练集和验证集
def split_data(X, y, ratio):
    num_train = int(ratio * X.shape[0])
    indices = np.random.permutation(X.shape[0])
    train_idx, val_idx = indices[:num_train], indices[num_train:]
    X_train, y_train = X[train_idx], y[train_idx]
    X_val, y_val = X[val_idx], y[val_idx]
    return X_train, y_train, X_val, y_val

# 产生数据
num_samples = 1000
mean1 = [0, 0]
cov1 = [[1, 0], [0, 1]]
mean2 = [2, 2]
cov2 = [[1, 0], [0, 1]]
X1 = generate_data(num_samples//2, mean1, cov1)
X2 = generate_data(num_samples//2, mean2, cov2)
X = np.vstack((X1, X2))
y = np.zeros(num_samples)
y[num_samples//2:] = 1

# 画出数据
plot_data(X, y)

# 将数据分成训练集和验证集
X_train, y_train, X_val, y_val = split_data(X, y, 0.8)

在这个示例代码中，我们生成了两个二维高斯分布数据点，将它们合并成一个数据集，并且将它们画出来。然后我们将数据分成训练集和验证集，其中训练集占总数据集的80%。