利用DataGenerator()函数生成带有噪声的数据集

DataGenerator()函数是一个用于生成带有噪声的数据集的Python函数。在机器学习中，数据集通常用于训练和评估模型。这个函数可以帮助我们生成具有各种特征的数据集，并向数据中添加噪声以模拟现实世界中的数据。

下面是一个使用DataGenerator()函数生成带有噪声的数据集的示例：

import numpy as np

def DataGenerator(num_samples, num_features, noise_level):
    # 创建一个 num_samples x num_features 的零矩阵
    X = np.zeros((num_samples, num_features))
    
    # 生成随机的特征值
    for i in range(num_features):
        X[:, i] = np.random.rand(num_samples)
    
    # 创建一个 num_samples x 1 的零矩阵作为标签
    y = np.zeros((num_samples, 1))
    
    # 生成随机的标签值
    y[:, 0] = np.random.rand(num_samples)
    
    # 添加噪声
    noise = np.random.normal(0, noise_level, (num_samples, num_features))
    X += noise
    
    return X, y

# 生成一个包含1000个样本，每个样本有10个特征的数据集，并且噪声水平为0.1
X, y = DataGenerator(1000, 10, 0.1)

# 输出前5个样本的特征和标签
print("特征:")
print(X[:5])
print("标签:")
print(y[:5])

在上面的示例中，我们调用了DataGenerator()函数来生成一个包含1000个样本的数据集。每个样本有10个特征，并且噪声水平为0.1。然后，我们打印出前5个样本的特征和标签。

这个示例生成的数据集是一个具有噪声的数据集。噪声是通过在原始特征上添加一个服从正态分布的随机向量来模拟的。噪声水平越高，数据集中的噪声越多。

这个函数可以用于生成各种类型的数据集，并且可以根据需要调整数据集的大小和噪声水平。在使用机器学习算法时，生成带有噪声的数据集可以更好地模拟现实情况，并提高模型的泛化能力。