机器学习算法中随机数的生成
numpy，sklearn提供随机数据生成功能，我们可以自己生成适合某一种模型的数据，用随机数据来清洗，归一化，转换，然后选择模型与算法做拟合和预测。
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。
- rand函数根据给定维度生成[0, 1)之间的数，包含0，不包含1
- dn表格每个维度
- 返回值为指定维度的array
(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
3.sklearn随机数据生成实例
3.1回归模型随机数据
make_regression生成回归模型数据。关键参数：n_samples（生成样本数），n_features（样本特征数），noise（样本随机数）和coef（是否返回回归系数）。
3.2分类模型随机数据
make_classification生成三元分类模型数据。关键字参数：n_samples（生成样本数），n_features（样本特征数），n_redundant（冗余特征数）和n_classes（输出的类别数）。
3.3聚类模型随机数据
make_blobs生成聚类模型数据。关键字参数：n_samples（生成样本数），n_features（样本特征数），centers（簇中心的个数或自定义的簇中心）和cluster_std（簇数据方差，代表簇的聚合程度）。
# blob 大对象
3.4分组正态分布混合数据
make_gaussian_quantiles生成分组正态分布的数据。关键字参数：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）。
# gaussian 高斯 quantile 分位点，分位数
