python代码学习ANN人工数据集

"""
# -*- coding: utf-8 -*-
# @Time    : 2023/5/24 20:02
# @Author  : 王摇摆
# @FileName: Data.py
# @Software: PyCharm
# @Blog    ：https://blog.csdn.net/weixin_44943389?type=blog
"""
import random
import numpy as np

m = 10000
d = 200
k = 50

trains = np.zeros((m, d))
for i in range(m):
    trains[i] = np.array([random.gauss(0, 1) for z in range(d)])
test = np.array([random.gauss(0, 1) for z in range(d)])

print(trains.shape)
print('ANN数据集已生成完毕！')

解释

这段代码是一个Python脚本，用于生成一组训练数据和一个测试数据。下面是对代码的解释：

• m = 10000：设置训练数据集的大小为10000。
• d = 200：设置每个数据点的维度为200。
• k = 50：设置k的值为50，表示后面可能使用的k最近邻算法中的k值。

接下来是生成训练数据的部分：

• trains = np.zeros((m, d))：创建一个形状为(m, d)的全零矩阵，用来存储训练数据。m表示数据点的数量，d表示每个数据点的维度。
• for i in range(m):：遍历训练数据集中的每个数据点。
• trains[i] = np.array([random.gauss(0, 1) for z in range(d)])：为每个数据点生成一个长度为d的一维数组，数组中的每个元素都是从均值为0，标准差为1的正态分布中随机采样得到。

最后，生成一个测试数据：

• test = np.array([random.gauss(0, 1) for z in range(d)])：生成一个长度为d的一维数组，作为测试数据。该数组的元素同样是从均值为0，标准差为1的正态分布中随机采样得到。

最后一行代码是输出训练数据集的形状：

• print(trains.shape)：打印trains的形状，即训练数据集的维度信息。这里输出的结果应该是(m, d)，表示有m个数据点，每个数据点的维度为d。