使用sklearn.datasets.samples_generator模块中的make_blobs()函数生成随机数据集

sklearn.datasets.samples_generator模块中的make_blobs()函数可以用来生成带有类别标签的随机数据集。该函数主要用于聚类算法的测试和可视化。

make_blobs()函数的主要参数包括：

- n_samples: 生成的样本数。

- n_features: 生成的特征数。

- centers: 生成的样本按照中心点分布。

- cluster_std: 每个类别的标准差。

- center_box: 中心位置的边界框。

- shuffle: 是否打乱样本。

下面我们使用这个函数生成一个简单的示例：

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

# 生成样本
X, y = make_blobs(n_samples=100, centers=3, n_features=2, random_state=0)

# 绘制样本分布
plt.scatter(X[:, 0], X[:, 1], c=y)
plt.show()

在这个示例中，我们生成了100个样本，每个样本有2个特征，分布在3个中心点周围。

通过调整参数可以生成不同的数据集。例如，我们可以将样本数(n_samples)增加到1000，将特征数(n_features)增加到3。我们还可以通过改变中心点(centers)的位置和数量来改变样本分布。此外，调整标准差(cluster_std)的值可以使生成的样本更具有随机性。

X, y = make_blobs(n_samples=1000, centers=4, n_features=3, random_state=0, cluster_std=1)

# 绘制样本分布
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
ax.scatter(X[:, 0], X[:, 1], X[:, 2], c=y)
plt.show()

在这个示例中，我们生成了包含1000个样本的三维数据集，共有4个中心点，并设置了标准差为1。

使用make_blobs()函数生成的随机数据集可以用于测试聚类算法。通过可视化数据集，我们可以更好地理解算法对于不同样本分布的表现，并对算法的性能进行评估和比较。