如何为我的回归任务生成随机 n 维数据集？答案

【问题标题】：How can i generate random n-dimensional dataset for my regression task?如何为我的回归任务生成随机 n 维数据集？
【发布时间】：2021-02-27 05:18:15
【问题描述】：

我需要生成一个具有 m 个元组的随机 n 维数据集。前四个维度预计与地面实况向量y相关，其余维度将任意生成。我将使用 Scikit-learn 将数据集用于我的回归任务。如何生成这些数据？

例如：一个数据集，其中元组大小(m)=10000 和维度大小(n)=100

之后，我需要拆分数据集，使随机选择的 70% 元组用于训练，而 30% 元组用于测试。

PS：我在 sci-kit learn 中找到了这段代码，但我不确定我是否可以使用它。如何将其转化为我的问题？

x, y, coef = datasets.make_regression(n_samples=100,#number of samples
                                  n_features=1,#number of features
                                  n_informative=1,#number of useful features 
                                  noise=10,#bias and standard deviation of the guassian noise
                                  coef=True,#true coefficient used to generated the data
                                  random_state=0) #set for same data points for each run

【问题讨论】：

标签： python scikit-learn regression

【解决方案1】：

make_regression 确实可以完成您的工作：

from sklearn import datasets

# your example values:
m = 10000
n = 100
random_seed = 42 # for reproducibility, exact value does not matter

X, y = datasets.make_regression(n_samples=m, n_features=n, n_informative=4, random_state = random_seed)

还有train_test_split进行拆分：

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=random_seed) #  does not need to be the same random_seed

在这两种方法中，random_seed 仅设置为可重现性 - 它的确切值无关紧要，两者都不需要相同。

【讨论】：