生成一个带有二维数据和对应标签的螺旋形数据集（非线性可分数据集）的代码解析

def create_dataset():np.random.seed(1)m = 400 # 数据量N = int(m/2) # 每个标签的实例数D = 2 # 数据维度X = np.zeros((m,D)) # 数据矩阵Y = np.zeros((m,1), dtype='uint8') # 标签维度a = 4 for j in range(2):ix = range(N*j,N*(j+1))t = np.linspace(j*3.12,(j+1)*3.12,N) + np.random.randn(N)*0.2 # thetar = a*np.sin(4*t) + np.random.randn(N)*0.2 # radiusX[ix] = np.c_[r*np.sin(t), r*np.cos(t)]Y[ix] = jX = X.TY = Y.Treturn X, Y

这个函数 create_dataset 生成一个带有二维数据和对应标签的螺旋形数据集。螺旋形数据集是用于分类任务的典型数据集之一，尤其在测试复杂分类模型（如神经网络）时经常使用。以下是对这个函数的详细解释：

1. 参数与初始化

np.random.seed(1)
m = 400  # 数据集的总数量
N = int(m/2)  # 每个类别（标签）的样本数量
D = 2  # 数据的维度（二维数据）
X = np.zeros((m,D))  # 初始化数据矩阵X，大小为 m x D
Y = np.zeros((m,1), dtype='uint8')  # 初始化标签矩阵Y，大小为 m x 1，数据类型为无符号8位整数
a = 4  # 控制数据螺旋的半径

• np.random.seed(1)：确保随机数的可重复性，每次运行生成的数据集是相同的。
• m = 400：数据集的总样本数。
• N = int(m/2)：每个类别的样本数为一半（即 200 个样本属于类别 0，另外 200 个样本属于类别 1）。
• D = 2：数据的维度为 2（表示二维数据）。
• X = np.zeros((m,D))：初始化大小为 $m\times D$ 的零矩阵，用于存储样本特征。
• Y = np.zeros((m,1), dtype='uint8')：初始化大小为 $m\times 1$ 的零矩阵，用于存储样本标签。

2. 生成数据

for j in range(2):ix = range(N*j,N*(j+1))  # 生成当前类的索引范围t = np.linspace(j*3.12,(j+1)*3.12,N) + np.random.randn(N)*0.2  # 角度 thetar = a*np.sin(4*t) + np.random.randn(N)*0.2  # 半径 rX[ix] = np.c_[r*np.sin(t), r*np.cos(t)]  # 生成二维坐标 (x1, x2)Y[ix] = j  # 为当前生成的数据赋予标签 j

这个循环迭代两次（一次生成类别 0 的数据，一次生成类别 1 的数据），生成螺旋形数据。具体步骤如下：

• ix = range(N*j, N*(j+1))：当前类别样本的索引范围。第一次循环时生成类别 0 的样本，索引为 0 到 199；第二次循环时生成类别 1 的样本，索引为 200 到 399。

• t = np.linspace(j*3.12, (j+1)*3.12, N) + np.random.randn(N)*0.2：生成从 $j\times 3.12$ 到 $(j+1)\times 3.12$ 的角度 theta，并在每个点上添加一些随机噪声（np.random.randn(N)*0.2）。这些角度用于控制螺旋形的弯曲程度。

• r = a*np.sin(4*t) + np.random.randn(N)*0.2：生成半径 r，即样本离原点的距离。半径是一个基于 sin(4t) 的函数，并添加了随机噪声（np.random.randn(N)*0.2）以增加数据集的多样性。这个函数生成螺旋的曲线形状。

• X[ix] = np.c_[r*np.sin(t), r*np.cos(t)]：利用极坐标 $(r,t)$ 计算二维笛卡尔坐标 $(x_1,x_2)$，并将其存储在数据矩阵 X 中。

• Y[ix] = j：为当前类别的样本赋值为 j（即当前类别的标签）。

3. 返回值

X = X.T
Y = Y.T
return X, Y

• X.T：转置后的数据矩阵，输出大小为 $2\times m$，表示 2 个特征和 $m$ 个样本。
• Y.T：转置后的标签矩阵，输出大小为 $1\times m$，每个样本对应一个标签。

4. 总结

该函数 create_dataset() 生成了一个螺旋形数据集，数据集具有以下特点：

• 数据集分为两个类别，每个类别各有 200 个样本。
• 数据点以螺旋形状分布，这对线性分类器（如线性支持向量机、感知机等）来说是一个较为复杂的分类任务，因为螺旋形数据通常是非线性可分的。
• 随机噪声的加入使得数据更具挑战性，有助于测试复杂模型（如神经网络）的分类能力。