利用Python的sklearn.datasets.samples_generatormake_blobs()函数生成随机数据点

sklearn.datasets.samples_generator模块是scikit-learn中的一个数据集生成器，可以用于生成具有特定特征的随机数据集。其中的make_blobs()函数可以用来生成多类别的分类数据。

make_blobs()函数的语法如下：

make_blobs(n_samples=100, n_features=20, centers=None, cluster_std=1.0, center_box=(-10.0, 10.0), shuffle=True, random_state=None)

下面我们来详细介绍一下make_blobs()函数的每个参数：

- n_samples：生成的样本数，默认为100；

- n_features：生成的特征数，默认为20；

- centers：要生成的类别数，默认为None，即随机生成多类别数据；

- cluster_std：类别中的数据标准差，默认为1.0；

- center_box：用于指定类别的取值范围，默认为 (-10.0, 10.0)；

- shuffle：用于指定是否在生成数据之前对数据进行洗牌，默认为True；

- random_state：用于设置随机种子，以确定数据点的重现性，默认为None。

下面我们通过一个具体的实例来说明make_blobs()函数的使用。

首先，我们需要导入必要的模块和函数：

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

然后，我们可以使用make_blobs()函数生成一个具有3个类别的样本数据集：

X, y = make_blobs(n_samples=1000, centers=3, random_state=0)

在这个例子中，我们生成了1000个样本点，有3个类别。X是一个二维数组，包含了样本的特征值，而y是一个一维数组，包含了样本的类别标签。

接下来，我们可以使用matplotlib绘制生成的数据集：

plt.scatter(X[:, 0], X[:, 1], c=y)
plt.show()

这里我们使用散点图scatter()函数来绘制数据点，传入X[:, 0]和X[:, 1]来指定横轴和纵轴的特征值，c=y用于指定不同类别的样本点使用不同的颜色。

最后，我们可以使用饼图pie()函数来查看每个类别所占比例：

unique, counts = np.unique(y, return_counts=True)
plt.pie(counts, labels=unique)
plt.show()

这里我们使用np.unique()函数来获取每个类别的数量，然后使用饼图pie()函数来绘制饼图。

通过以上的步骤，我们就成功使用make_blobs()函数生成了一个具有3个类别的随机数据集，并且使用matplotlib将其可视化出来。

总结起来，sklearn.datasets.samples_generator模块中的make_blobs()函数能够帮助我们生成随机的多类别分类数据，可以通过调节参数来控制数据的样本数、特征数、类别数等。这样的生成器在机器学习中经常被用来生成一些测试或演示数据集。