使用sklearn.datasets.samples_generator模块中的make_blobs()函数生成适用于机器学习的随机数据集

make_blobs()函数是sklearn.datasets.samples_generator模块中的一个函数，用于生成适用于机器学习的随机数据集。

该函数可以生成指定数量的样本数据，每个样本数据有多个特征，可以指定每个样本所属的类别，并且可以设置样本数据的分布特性。

make_blobs()函数的参数如下：

- n_samples：生成的样本总数，默认为100

- n_features：每个样本的特征数，默认为2

- centers：指定生成的样本所属的类别数量，默认为3

- cluster_std：每个类别的方差，默认为1.0

- center_box：指定样本数据分布的边界，默认为(-10.0, 10.0)

- shuffle：是否打乱样本数据的顺序，默认为True

下面是一个使用make_blobs()函数生成随机数据集的示例：

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

# 生成随机数据集
X, y_true = make_blobs(n_samples=100, centers=3, cluster_std=1.0, random_state=0)

# 绘制生成的样本数据
plt.scatter(X[:, 0], X[:, 1], c=y_true, cmap='viridis')
plt.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('Randomly Generated Dataset')
plt.show()

在这个例子中，我们生成了一个包含100个样本的数据集，每个样本有两个特征。样本被分为3个类别，每个类别的方差为1.0。

通过调用make_blobs()函数并传入相应的参数，生成的随机样本数据保存在变量X中，每个样本的真实类别保存在变量y_true中。

最后，我们使用matplotlib.pyplot库绘制了生成的样本数据散点图，其中不同的颜色表示不同的类别。

make_blobs()函数的灵活性使得我们可以自由地生成适合机器学习的随机数据集，以应用于各种任务和算法的训练和评估。