引數的意思：

n_samples: int, optional (default=100)待生成的樣本的總數。
n_features: int, optional (default=2)每個樣本的特徵數。
centers: int or array of shape [n_centers, n_features], optional (default=3)要生成的樣本中心（類別）數，或者是確定的中心點。
cluster_std: float or sequence of floats, optional (default=1.0)每個類別的方差，例如我們希望生成2類資料，其中一類比另一類具有更大的方差，可以將cluster_std設定為[1.0,3.0]。
center_box

return：

X : array of shape [n_samples, n_features]
The generated samples.
生成的樣本資料集。
y : array of shape [n_samples]
The integer labels for cluster membership of each sample.

1）make_classification

sklearn.datasets.make_classification(n_samples=100, n_features=20, n_informative=2, n_redundant=2,
                    n_repeated=0, n_classes=2, n_clusters_per_class=2, weights=None,
                     flip_y=0.01, class_sep=1.0, hypercube=True,shift=0.0, scale=1.0,
                    shuffle=True, random_state=None)

通常用於分類演算法。
n_features :特徵個數= n_informative（） + n_redundant + n_repeated
n_informative：多資訊特徵的個數
n_redundant：冗餘資訊，informative特徵的隨機線性組合
n_repeated ：重複資訊，隨機提取n_informative和n_redundant 特徵
n_classes：分類類別
n_clusters_per_class ：某一個類別是由幾個cluster構成的

樣本資料集的標籤。
2）make_circles and make_moons

sklearn.datasets.make_circles(n_samples=100, shuffle=True, noise=None, random_state=None, factor=0.8)

3）make_gaussian_quantiles 和make_hastie_10_2

sklearn.datasets.make_gaussian_quantiles(mean=None, cov=1.0, n_samples=100, n_features=2, n_classes=3,
                    shuffle=True, random_state=None)