make_classification函数结果打印代码

好的，以下是使用sklearn库中的make_classification函数生成数据并打印结果的代码示例：

from sklearn.datasets import make_classification

# 生成100个样本，有5个特征，2个类别，不平衡数据（class1占比0.2）
X, y = make_classification(n_samples=100, n_features=5, n_classes=2, weights=[0.8, 0.2])

# 打印结果
print("X shape: ", X.shape)    # 输出：(100, 5)
print("y shape: ", y.shape)    # 输出：(100,)

# 查看类别分布情况
unique, counts = np.unique(y, return_counts=True)
print("Class distribution: ", dict(zip(unique, counts)))

其中，make_classification函数的参数含义如下：

- n_samples：生成样本数
- n_features：生成特征数
- n_classes：生成类别数
- weights：生成类别占比，可以是一个列表或字符串，如[0.7, 0.3]或"0.7"。

输出结果中，X是生成的数据，y是对应的标签。我们可以查看它们的形状，以及类别分布情况。

相关问题

Python的make_classification函数

`make_classification()`函数是Scikit-learn库中的一个函数，用于生成分类数据集。该函数可以生成指定数量的样本，每个样本包含多个特征和一个类别标签。这个函数的常用参数如下：

- `n_samples`：生成样本的数量；
- `n_features`：每个样本的特征数量；
- `n_informative`：有信息量的特征的数量；
- `n_redundant`：冗余特征的数量；
- `n_repeated`：重复特征的数量；
- `n_classes`：生成数据集的类别数量；
- `n_clusters_per_class`：每个类别中的簇数量；
- `weights`：每个类别的权重；
- `class_sep`：每个类别的分离度；
- `random_state`：随机数种子。

使用示例：

from sklearn.datasets import make_classification

X, y = make_classification(n_samples=1000, n_features=10, n_informative=5, n_redundant=2, n_classes=2, weights=[0.7, 0.3], class_sep=1.0, random_state=42)

该代码将生成1000个样本，其中每个样本有10个特征，其中5个特征有信息量，2个特征是冗余的。生成的数据集有2个类别，第一个类别的权重是0.7，第二个类别的权重是0.3。每个类别中有1个簇。每个类别之间的分离度是1.0。随机数种子为42。

make_classification函数参数的意义

`sklearn.datasets.make_classification()`是用于生成随机分类数据集的函数，其重要参数及其意义如下：

- `n_samples`: 生成样本的数目。
- `n_features`: 生成样本的特征数。
- `n_informative`: 生成特征中用于分类的信息特征的数目。
- `n_redundant`: 生成特征中冗余的信息特征(可以通过其他特征推导出来)的数目。
- `n_classes`: 生成样本中的分类数目。
- `n_clusters_per_class`: 每个分类中的聚类数目。
- `weights`: 每个分类的样本权重。
- `random_state`: 随机种子。

`n_informative`和`n_redundant`的总和不能超过`n_features`。`n_clusters_per_class`默认为1，表示每个分类中只有一个聚类。`weights`默认为None，表示每个分类的样本权重相等。