图拉普拉斯算子#
- class sklearn.covariance.GraphicalLasso(alpha=0.01, *, mode='cd', covariance=None, tol=0.0001, enet_tol=0.0001, max_iter=100, verbose=False, eps=np.float64(2.220446049250313e-16), assume_centered=False)[source]#
使用 L1 正则化估计器的稀疏逆协方差估计。
使用示例请参见 股票市场结构可视化。
更多信息请阅读 用户指南。
v0.20版本中已更改: GraphLasso 已重命名为 GraphicalLasso
- 参数：
- alpha浮点数，默认为0.01
正则化参数：alpha 值越高，正则化程度越高，逆协方差越稀疏。取值范围为 (0, inf]。
- mode{'cd', 'lars'}，默认为'cd'
使用的 Lasso 求解器：坐标下降法或 LARS。对于非常稀疏的底层图（其中 p > n），请使用 LARS。其他情况下，建议使用 cd，因为它更稳定。
- covariance“预计算”，默认为None
如果 covariance 为“预计算”，则假定
fit中的输入数据为协方差矩阵。如果为None，则根据数据X估计经验协方差。1.3版本中新增。
- tol浮点数，默认为1e-4
声明收敛的容差：如果对偶间隙低于此值，则停止迭代。取值范围为 (0, inf]。
- enet_tol浮点数，默认为1e-4
用于计算下降方向的弹性网络求解器的容差。此参数控制给定列更新的搜索方向的精度，而不是整体参数估计的精度。仅在 mode='cd' 时使用。取值范围为 (0, inf]。
- max_iter整数，默认为100
最大迭代次数。
- verbose布尔值，默认为False
如果 verbose 为 True，则在每次迭代时绘制目标函数和对偶间隙。
- eps浮点数，默认为eps
计算 Cholesky 对角因子时的机器精度正则化。对于病态系统，请增加此值。默认为
np.finfo(np.float64).eps。1.3版本中新增。
- assume_centered布尔值，默认为False
如果为 True，则在计算之前不居中数据。在处理均值几乎为零但不完全为零的数据时很有用。如果为 False，则在计算之前居中数据。
- 属性：
- location_形状为 (n_features,) 的ndarray
估计位置，即估计均值。
- covariance_形状为 (n_features, n_features) 的ndarray
估计的协方差矩阵
- precision_形状为 (n_features, n_features) 的ndarray
估计的伪逆矩阵。
- n_iter_整数
运行的迭代次数。
- costs_(目标函数值, 对偶间隙) 对的列表
每次迭代的目标函数值和对偶间隙的列表。仅当 return_costs 为 True 时返回。
1.3版本中新增。
- n_features_in_整数
在 拟合期间看到的特征数量。
0.24版本中新增。
- feature_names_in_形状为 (
n_features_in_,) 的ndarray 在 拟合期间看到的特征名称。仅当
X的特征名称全部为字符串时才定义。1.0版本中新增。
另请参见
graphical_lassoL1惩罚协方差估计器。
GraphicalLassoCV具有交叉验证选择的l1惩罚的稀疏逆协方差。
示例
>>> import numpy as np >>> from sklearn.covariance import GraphicalLasso >>> true_cov = np.array([[0.8, 0.0, 0.2, 0.0], ... [0.0, 0.4, 0.0, 0.0], ... [0.2, 0.0, 0.3, 0.1], ... [0.0, 0.0, 0.1, 0.7]]) >>> np.random.seed(0) >>> X = np.random.multivariate_normal(mean=[0, 0, 0, 0], ... cov=true_cov, ... size=200) >>> cov = GraphicalLasso().fit(X) >>> np.around(cov.covariance_, decimals=3) array([[0.816, 0.049, 0.218, 0.019], [0.049, 0.364, 0.017, 0.034], [0.218, 0.017, 0.322, 0.093], [0.019, 0.034, 0.093, 0.69 ]]) >>> np.around(cov.location_, decimals=3) array([0.073, 0.04 , 0.038, 0.143])
- error_norm(comp_cov, norm='frobenius', scaling=True, squared=True)[source]#
计算两个协方差估计量之间的均方误差。
- 参数：
- comp_cov形状为 (n_features, n_features) 的类数组
要比较的协方差。
- norm{'frobenius', 'spectral'}，默认为'frobenius'
用于计算误差的范数类型。可用的误差类型： - 'frobenius' (默认)：sqrt(tr(A^t.A)) - 'spectral'：sqrt(max(eigenvalues(A^t.A))，其中 A 为误差
(comp_cov - self.covariance_)。- scaling布尔值，默认为True
如果为 True (默认)，则平方误差范数除以 n_features。如果为 False，则不重新缩放平方误差范数。
- squared布尔值，默认为True
是否计算平方误差范数或误差范数。如果为 True (默认)，则返回平方误差范数。如果为 False，则返回误差范数。
- 返回：
- result浮点数
self和comp_cov协方差估计量之间的均方误差（在 Frobenius 范数的意义上）。
- fit(X, y=None)[source]#
将 GraphicalLasso 模型拟合到 X。
- 参数：
- X形状为 (n_samples, n_features) 的类数组
用于计算协方差估计的数据。
- y忽略
未使用，出于 API 一致性约定而存在。
- 返回：
- self对象
返回实例本身。
- get_metadata_routing()[source]#
获取此对象的元数据路由。
请查看 用户指南，了解路由机制的工作原理。
- 返回：
- routingMetadataRequest
一个
MetadataRequest封装路由信息。
- get_params(deep=True)[source]#
获取此估计器的参数。
- 参数：
- deep布尔值，默认为True
如果为 True，则返回此估计器的参数以及作为估计器的包含子对象。
- 返回：
- params字典
参数名称与其值映射。
- get_precision()[源代码]#
精度矩阵的 Getter 方法。
- 返回：
- precision_形状为 (n_features, n_features) 的数组型对象
与当前协方差对象关联的精度矩阵。
- mahalanobis(X)[源代码]#
计算给定观测值的马氏距离平方。
- 参数：
- X形状为 (n_samples, n_features) 的类数组
观测值，我们计算其马氏距离。假设观测值与拟合中使用的数据来自相同的分布。
- 返回：
- dist形状为 (n_samples,) 的 ndarray
观测值的马氏距离平方。
- score(X_test, y=None)[源代码]#
计算估计的 Gaussian 模型下
X_test的对数似然。高斯模型由其均值和协方差矩阵定义，分别由
self.location_和self.covariance_表示。- 参数：
- X_test形状为 (n_samples, n_features) 的数组型对象
我们计算其似然性的测试数据，其中
n_samples是样本数，n_features是特征数。X_test假设与拟合中使用的数据来自相同的分布（包括居中）。- y忽略
未使用，出于 API 一致性约定而存在。
- 返回：
- res浮点数
使用
self.location_和self.covariance_作为高斯模型均值和协方差矩阵估计量的X_test的对数似然。