Python代码生成多个不同标准差的make_blobs()数据集

下面是Python代码生成多个不同标准差的make_blobs()数据集的示例。

首先，我们导入所需的库：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs

然后，定义一个函数来生成具有不同标准差的make_blobs()数据集：

def generate_datasets():
    centers = [[-2, 2], [2, -2]]
    std_deviations = [0.5, 1.5, 2.5]

    datasets = []
    for std in std_deviations:
        X, y = make_blobs(n_samples=200, centers=centers, cluster_std=std, random_state=42)
        datasets.append((X, y))

    return datasets

在这个示例中，我们将数据集的中心点设置为[-2, 2]和[2, -2]，然后我们定义了三个不同的标准差：0.5、1.5和2.5。我们使用make_blobs()函数生成数据集，并将其添加到一个列表中。

接下来，我们可以使用这个函数生成数据集，并可视化结果：

datasets = generate_datasets()

fig, axes = plt.subplots(1, len(datasets), figsize=(15, 5))

for i, (X, y) in enumerate(datasets):
    ax = axes[i]
    ax.scatter(X[:, 0], X[:, 1], c=y, cmap='viridis')
    ax.set_title(f"Standard Deviation: {std_deviations[i]}")

plt.show()

这段代码将生成一个包含三个子图的图形，每个子图显示一个数据集。数据点的颜色表示其所属的类别，而子图的标题则显示了对应的标准差。

这个示例可以帮助我们理解不同标准差对生成的数据集的影响。较小的标准差会生成更紧密的聚类，而较大的标准差则会生成更分散的聚类。

希望这个例子对你有帮助！