本文主要向大家介绍了机器学习入门之机器学习算法中随机数的生成，通过具体的内容向大家展现，希望对大家学习机器学习入门有所帮助。

1.numpy随机数据生成API
numpy比较适合用来生产一些简单的抽样数据。API都在random类中，常见的API有：
(1).rand(d0, d1, ...,dn)用来生成d0xd1x...dn维的数组。数组的值在[0, 1]之间。

(2).randn(d0, d1, ...,dn)，也是用来生成d0xd1x...dn维的数组。不过数组的值服从N(0, 1)的标准正态分布。

如果需要服从Ν(μ, δ2)的正态分布，只需要在randn上每个生成的值x上做变换δx+μ即可。

(3).randint(low[, high, size])，生成随机的大小为size的数据，size可以为整数，为矩阵维数，或者张量的维数。值位于半开区间[low, high)。
例如：np.random.randint(3, size=[2,3,4])返回维数维2x3x4的数据。取值范围为最大值为3的整数。

例如： np.random.randint(3, 6, size=[2,3]) 返回维数为2x3的数据。取值范围为[3,6)。

(4).random_integers(low[, high, size]),和上面的randint类似，区别在与取值范围是闭区间[low, high]。
(5).random_sample([size]), 返回随机的浮点数，在半开区间 [0.0, 1.0)。如果是其他区间[a,b),可以加以转换(b - a) * random_sample([size]) + a
例如：(5-2)*np.random.random_sample(3)+2 返回[2,5)之间的3个随机数。

2.sklearn随机数据生成API介绍
sklearn生成随机数据的API都在datasets类之中，和numpy比起来，可以生成适合特定机器学习模型的数据。常用的API有：
(1). 用make_regression生成回归模型的数据
(2). 用make_hastie_10_2，make_classification或者make_multilabel_classification生成分类模型数据
(3). 用make_blobs生成聚类模型数据
(4). 用make_gaussian_quantiles生成分组多为正态分布的数据

本文由职坐标整理并发布，希望对同学们有所帮助。了解更多详情请关注职坐标人工智能机器学习频道！