Machine learning 如何通过一个简单的模拟模型生成一个人工数据集，用于具有二进制响应和4-5个特征的分类分析？

我需要一个模拟模型，生成一个带有二进制响应变量的人工分类数据集。然后我想使用这个数据集检查各种分类器的性能。数据集可以有任意数量的特征、预测值。

您需要知道生成数据的分布。很可能是正态分布。然后需要将数据点标记到其类

正态分布：

高斯分布：

---

excel中的数据生成：

这是个坏主意，不会告诉您分类器的相对优点

首先，我将解释如何生成数据，然后解释为什么这样做不会学到任何东西。你需要一个二进制特征向量：有很多方法可以做到这一点，但让我们采用最简单的方法。独立伯努利变量的向量。下面是生成任意多个实例的方法：

对于每个特征i，从均匀分布生成参数θi，其中0<θi<1

对于每个期望的实例j，通过从均匀分布再次采样来生成第i个特征f_ji。如果采样的数字小于θi，则将f_ij设置为1，否则将其设置为0

这将允许您生成任意数量的实例。然而，问题是您知道数据的真实分布，因此可以得到贝叶斯最优决策规则：这是理论上最优的分类器。在我上面给出的生成方案下，朴素贝叶斯分类器接近最优（如果您使用实际的贝叶斯版本，其中集成了参数，它将是最优分类器）

这是否意味着朴素贝叶斯是最好的分类器？不，当然不是：通常，我们对不知道数据真实分布的数据集上分类器的性能感兴趣。事实上，整个概念的基础是，当真实分布未知时，试图估计它解决了一个比分类更难的问题

总之，那么：仔细考虑这是否是你想要做的。您不能模拟数据并用它来决定哪个分类器是“最好的”，因为哪个分类器是最好的取决于您用于模拟的配方。如果您想查看某些分类器性能不佳或异常的数据类型，您可以模拟此类数据以确认您的假设，但我不认为您正试图这样做

编辑：

我意识到你实际上想要的是一个二元结果，而不是二元特性。你可以忽略我说的一些话

二元反应来自逻辑回归模型：

对数（p/（1-p））=w.x

其中w是权重向量，x是特征向量。为了从给定观测x的模型中进行模拟，取点积w.x，应用逆logit函数：

logit^-1=1/（1+exp（-w.x））

这将为您提供一个范围为0-1的数字。然后将响应作为带有参数p的贝努利变量进行采样，即在[0,1]中取一个统一的数字，如果它小于p，则返回1，否则返回0

---

如果你也想模拟xs，你可以，但是你回到了我上面讨论的领域。另外，请注意，由于这是逻辑回归抽样，因此该分类器在这里具有明显的优势，正如我在上面所描述的…

是的，您是对的。我想要一个不偏向任何分类器的数据集。一个回归示例可以是模型：Y=（2sinX1）（2sinX2）+e，其中X1和X2是一致的，e是高斯分布。我需要一个二进制响应，谢谢！啊等等-一个二进制响应？然后你需要逻辑回归模型。让我编辑我的答案。