使用sklearn.datasets.samples_generatormake_blobs()函数产生随机数据样本集

sklearn的datasets模块提供了一些用于机器学习的常用数据集合生成函数，其中之一是make_blobs()函数。make_blobs()函数可以用来生成随机数据样本集，其中的样本是服从多个高斯分布的。

make_blobs()函数的语法如下：

make_blobs(n_samples=100, n_features=2, centers=None, cluster_std=1.0, center_box=(-10.0, 10.0), shuffle=True, random_state=None)

参数说明：

- n_samples：样本总数，默认值为100

- n_features：特征数，默认值为2

- centers：簇中心的个数或自定义的簇中心，默认值为None

- cluster_std：簇的标准差，默认值为1.0

- center_box：每个簇的中心范围，默认值为(-10.0, 10.0)

- shuffle：是否打乱样本，默认值为True

- random_state：随机数种子，默认值为None

下面通过一个例子来演示make_blobs()函数的使用：

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

# 生成一个样本总数为1000，特征数为2的样本集，其中有3个簇中心，簇的标准差为1.5
X, y = make_blobs(n_samples=1000, n_features=2, centers=3, cluster_std=1.5)

# 绘制生成的样本集，用不同颜色表示不同簇
plt.scatter(X[:, 0], X[:, 1], c=y)
plt.show()

通过上述代码，我们生成了一个样本总数为1000，特征数为2的样本集，其中有3个簇中心，簇的标准差为1.5。然后，我们使用plt.scatter()函数绘制了生成的样本集，用不同颜色表示不同簇。

make_blobs()函数在生成样本集时，根据传入的参数生成服从多个高斯分布的数据，并将不同簇的样本集按类别标签标记。这样生成的数据集可以用于机器学习中的聚类任务，比如K均值聚类算法。

总结来说，make_blobs()函数是一个非常方便的用于生成随机数据样本集的工具函数，通过调整参数，可以方便地生成不同分布、不同数量的样本集，为机器学习任务提供了便利。