`sklearn.datasets`.make_classification¶

sklearn.datasets.make_classification()¶

Genera un problema de clasificación aleatoria de n-clases.

Esto crea inicialmente conglomerados de puntos normalmente distribuidos (std=1) sobre los vértices de un hipercubo n_informative-dimensional con lados de longitud 2*class_sep y asigna un número igual de conglomerados a cada clase. Introduce la interdependencia entre estas características y añade varios tipos de ruido adicional a los datos.

Sin revolver, X apila horizontalmente las características en el siguiente orden: las n_informative características primarias, seguidas de las n_redundant combinaciones lineales de las características informativas, seguidas de los n_repeated duplicados, extraídos aleatoriamente con reemplazo de las características informativas y redundantes. Las características restantes se rellenan con ruido aleatorio. Así, sin revolver, todas las características útiles están contenidas en las columnas X[:, :n_informative + n_redundant + n_repeated].

Leer más en el Manual de Usuario.

Parámetros

n_samplesint, default=100: El número de muestras.
n_featuresint, default=20: El número total de características. Estas comprenden n_informative características informativas, n_redundant características redundantes, n_repeated características duplicadas y n_features-n_informative-n_redundant-n_repeated características inútiles extraídas al azar.
n_informativeint, default=2: El número de características informativas. Cada clase se compone de un número de conglomerados gaussianos, cada uno de ellos situado en torno a los vértices de un hipercubo en un subespacio de dimensión n_informativa. Para cada conglomerado, las características informativas se extraen de forma independiente de N(0, 1) y luego se combinan aleatoriamente de forma lineal dentro de cada conglomerado para añadir covarianza. A continuación, los conglomerados se colocan en los vértices del hipercubo.
n_redundantint, default=2: El número de características redundantes. Estas características se generan como combinaciones lineales aleatorias de las características informativas.
n_repeatedint, default=0: El número de características duplicadas, extraídas aleatoriamente de las características informativas y redundantes.
n_classesint, default=2: El número de clases (o etiquetas) del problema de clasificación.
n_clusters_per_classint, default=2: El número de conglomerados por clase.
weightsarray-like de forma (n_classes,) o (n_classes - 1,), default=None: La proporción de muestras asignadas a cada clase. Si es None, las clases están balanceadas. Ten en cuenta que si len(weights) == n_classes - 1, entonces se infiere automáticamente la ponderación de la última clase. Se pueden devolver más de n_samples muestras si la suma de weights es superior a 1. Ten en cuenta que las proporciones reales de las clases no coincidirán exactamente con weights cuando flip_y no sea 0.
flip_yfloat, default=0.01: La fracción de muestras cuya clase se asigna aleatoriamente. Los valores más grandes introducen ruido en las etiquetas y dificultan la tarea de clasificación. Ten en cuenta que la configuración por defecto flip_y > 0 podría conducir a menos de n_classes en y en algunos casos.
class_sepfloat, default=1.0: El factor que multiplica el tamaño del hipercubo. Los valores más grandes reparten los conglomerados/clases y facilitan la tarea de clasificación.
hypercubebool, default=True: Si es True, los conglomerados se colocan en los vértices de un hipercubo. Si es False, los conglomerados se colocan en los vértices de un politopo aleatorio.
shiftfloat, ndarray de forma (n_features,) o None, default=0.0: Desplaza las características por el valor especificado. Si es None, las características se desplazan por un valor aleatorio extraído en [-class_sep, class_sep].
scalefloat, ndarray de forma (n_features,) o None, default=1.0: Multiplica las características por el valor especificado. Si es None, entonces las características son escaladas por un valor aleatorio extraído en [1, 100]. Ten en cuenta que el escalamiento se produce después del desplazamiento.
shufflebool, default=True: Mezcla las muestras y las características.
random_stateentero, instancia de RandomState o None, default=None: Determina la generación de números aleatorios para la creación de conjuntos de datos. Pasa un int para una salida reproducible a través de múltiples llamadas a la función. Ver Glosario.

Devuelve

Xndarray de forma (n_samples, n_features): Las muestras generadas.
yndarray de forma (n_samples,): Las etiquetas enteras para la pertenencia a la clase de cada muestra.

Ver también

make_blobs: Variante simplificada.
make_multilabel_classification: Generador no relacionado con las tareas de multietiqueta.

Notas

El algoritmo es una adaptación a partir de Guyon [1] y fue diseñado para generar el conjunto de datos «Madelon».

Referencias

1: I. Guyon, «Design of experiments for the NIPS 2003 variable selection benchmark», 2003.

Ejemplos usando `sklearn.datasets.make_classification`¶

sklearn.datasets.make_classification¶

Ejemplos usando sklearn.datasets.make_classification¶

`sklearn.datasets`.make_classification¶

Ejemplos usando `sklearn.datasets.make_classification`¶