我们做模型练习时候经常会苦恼没有数据集，正所谓巧妇难为无米之炊，但是有了sklearn.datasets,这都不是事儿！
代码如下：
import matplotlib.pyplot as plt
from sklearn.datasets import make_classification
from sklearn.datasets import make_blobs
from sklearn.datasets import make_gaussian_quantiles
from sklearn.datasets import make_hastie_10_2
%matplotlib inline
plt.figure(figsize=(10,10))
plt.subplots_adjust(bottom=.05, top=.9, left=.05, right=.95)
#分类模型随机数生成方法
#n_samples:生成样本数
#n_features:样本特征数，特征个数= n_informative（） + n_redundant + n_repeated
#n_informative：多信息特征的个数
#n_repeated ：重复信息，随机提取n_informative和n_redundant 特征
#n_classes:生成类别数
#n_redundant：样本冗余特征数，informative特征的随机线性组合
#random_state:随机种子，使得随机状可重
plt.subplot(421)
plt.title("One informative feature, one cluster per class", fontsize='small')
X1, Y1 = make_classification(n_samples=1000, n_features=2, n_redundant=0, n_informative=1, n_clusters_per_class=1)
plt.scatter(X1[:,0], X1[:,1], marker='o', c=Y1)
plt.subplot(422)
plt.title("Two informative features, One cluster per class", fontsize='small')
X2, Y2 = make_classification(n_samples=1000, n_features=2, n_redundant=0, n_informative=2, n_clusters_per_class=1)
plt.scatter(X2[:,0], X2[:,1], marker='o', c=Y2)
plt.subplot(423)
plt.title("Two informative features, Two clusters per class", fontsize='small')
X3, Y3 = make_classification(n_samples=1000, n_features=2, n_redundant=0, n_informative=2, n_clusters_per_class=2)
plt.scatter(X3[:,0], X3[:,1], marker='o', c=Y3)
plt.subplot(424)
plt.title("Multi-class, Two informative features, One cluster", fontsize='small')
X4, Y4 = make_classification(n_samples=1000, n_features=2, n_redundant=0, n_informative=2, n_clusters_per_class=1, n_classes=3)
plt.scatter(X4[:,0], X4[:,1], marker='o', c=Y4)
#make_blobs聚类模型随机数据生成
#n_samples（生成样本数）
#n_features（样本特征数）
#centers(簇中心的个数或者自定义的簇中心，可以输入int数字，代表有几个中心，也可以输入几个坐标（fixed center locations)）
#cluster_std（簇数据方差，代表簇的聚合程度）
plt.subplot(425)
plt.title("Three blobs", fontsize='small')
X5, Y5 = make_blobs(n_samples=1000, n_features=2, centers=3)
plt.scatter(X5[:,0], X5[:,1], marker='o', c=Y5)
#make_gaussian_quantiles生成分组多维正态分布的数据
#n_samples（生成样本数）
#n_features（正态分布的维数）
#mean（特征均值）
#cov（样本协方差的系数）
#n_classes（数据在正态分布中按分位数分配的组数）
#shuffle（布尔变量 可选 默认为True，是否打乱样本）
#random_state（整数 RandomState instance or None，确定数据集变换和噪声的随机数生成）
#sklearn.datasets.make_gaussian_quantiles(mean=None, cov=1.0, n_samples=100, n_features=2, n_classes=3, shuffle=True, random_state=None)
#make_gaussian_quantiles 将single Gaussian cluster（单高斯簇）分成近乎相等大小的同心超球面分离。
plt.subplot(426)
plt.title("Gaussian divided into four quantiles", fontsize='small')
X6, Y6 = make_gaussian_quantiles(n_samples=1000, n_features=2, n_classes=4)
plt.scatter(X6[:,0], X6[:,1], marker='o', c=Y6)
#利用Hastie算法来生成二分类数据，产生与make_gaussian_quantiles类似的二分类、10维数据集
plt.subplot(427)
plt.title("hastie data", fontsize='small')
X7, Y7 = make_hastie_10_2(n_samples=1000);
plt.scatter(X7[:,8], X7[:,2], marker='o', c=Y7) #此处数据集为10维，所以可以取X7[:,0]、X7[:,1]、、、X7[:,9]中任两个
plt.show()
生成图片：
from sklearn.datasets import make_circles
from sklearn.datasets import make_moons
import matplotlib.pyplot as plt
%matplotlib inline
import numpy as np
#生成环形数据
#sklearn.datasets.make_circles(n_samples=100, shuffle=True, noise=None, random_state=None, factor=0.8)
#n_samples：整数 可选 默认为100，生成的总点数。
#shuffle：布尔变量 可选 默认为True，是否打乱样本。当shuffle为True时，内外圆的数据是交叉出现，当shuffle为False时，内外圆的数据没有出现交叉
#noise：double 或None 默认为None，将高斯噪声的标准差加入到数据中，当noise参数比较小时，取样点比较集中，当noise参数比较大时，取样点比较分散
#random_state：整数 RandomState instance or None，确定数据集变换和噪声的随机数生成。
#factor：0 < double < 1 默认值0.8，内外圆之间的比例因子
fig = plt.figure(1)
x1, y1 = make_circles(n_samples=1000, factor=.5, noise=.1)
plt.subplot(121)
plt.title("make_circles function example")
plt.scatter(x1[:,0], x1[:,1], marker='o', c=y1)
#生成半环形数据
#sklearn.datasets.make_moons(n_samples=100, shuffle=True, noise=None, random_state=None)
plt.subplot(122)
x2, y2 = make_moons(n_samples=1000, noise=.1)
plt.title("make_moons function example")
plt.scatter(x2[:,0], x2[:,1], marker='o', c=y2)
plt.show()
生成图片：
