11月组队学习task2：Numpy随机抽样

时间紧，随便写一点了！

np.random.binomial(n, p, size)
np.random.poisson(lam, size)
x = np.random.hypergeometric(ngood=7, nbad=13, nsample=12, size=size)

连续型随机变量：均匀分布。有三个函数：
#numpy.random.uniform(low=0.0, high=1.0, size=None)在[low,high)范围内，创建大小为size的均匀分布的随机数
#numpy.random.rand(d0, d1, …, dn)，为uniform()的特列，可以得到[0,1)之间的均匀分布的随机数，参数是指定形状
#numpy.random.randint(low, high=None, size=None, dtype=‘l’)作为uniform的另一特例，可以得到[low,high)之间均匀分布的随机整数。若high不为None时，取[low,high)之间随机整数，否则取值[0,low)之间随机整数。

标准正态分布：np.random.randn()
正态分布：np.random.normal(mu, sigma, size)
指数分布：np.random.exponential(lam, size)

随机从序列中获取元素
numpy.random.choice(a, size=None, replace=True, p=None) Generates a random sample from a given 1-D array.
对数据集进行洗牌操作
数据一般都是按照采集顺序排列的，但是在机器学习中很多算法都要求数据之间相互独立，所以需要先对数据集进行洗牌操作。
numpy.random.shuffle(x) Modify a sequence in-place by shuffling its contents.
permutation()函数的作用与shuffle()函数相同，可以打乱第0轴的数据，但是它不会改变原来的数组。

练习题1：创建一个形为5×3的二维数组，以包含5到10之间的随机数。

print(np.random.uniform(5,10,size=(5,3)))
# [[8.65495635 8.15243984 5.10578584]
#  [5.11714161 6.29821034 9.81586385]
#  [7.46608764 9.31864371 9.56433724]
#  [8.10792598 7.59438993 7.17992252]
#  [6.3339124  7.33874098 8.01023163]]

生成相应的数据

【知识点：随机抽样】

创建分别具有5000个数据的训练集（xi，y）和测试集（xi，y），其中xi在间隔（-10,10）上均匀随机分布。为了使回归问题“真实”，大的均匀噪声分布在[-0.2,0.2]已添加到所有训练样本中，同时测试数据保持无噪声。

没完全画出来…

x = np.random.uniform(-10,10,size=5000)
y= np.sin(x) / x
z = y + np.random.uniform(-0.2,0.2)
plt.scatter(x,z)
plt.show()