带交叉验证的图拉索 (GraphicalLassoCV)#

class sklearn.covariance.GraphicalLassoCV(*, alphas=4, n_refinements=4, cv=None, tol=0.0001, enet_tol=0.0001, max_iter=100, mode='cd', n_jobs=None, verbose=False, eps=np.float64(2.220446049250313e-16), assume_centered=False)[source]#

具有交叉验证的L1惩罚项的稀疏逆协方差。

参见关于交叉验证估计器的词汇表条目。

在用户指南中了解更多信息。

v0.20版本变更： GraphLassoCV已重命名为GraphicalLassoCV

参数：

alphasint 或 array-like，shape (n_alphas,)，dtype=float，默认为4

如果给定整数，则它确定要使用的alpha网格上的点数。如果给定列表，则它给出要使用的网格。有关更多详细信息，请参见类文档字符串中的说明。整数范围为[1, inf)。浮点数数组范围为(0, inf]。

n_refinementsint，默认为4

网格细化的次数。如果传递alphas的显式值，则不使用。范围为[1, inf)。

cvint，交叉验证生成器或可迭代对象，默认为None

确定交叉验证拆分策略。cv 的可能输入为：

None，使用默认的5折交叉验证；
整数，指定折叠数；
CV 分割器,
一个可迭代对象，产生 (train, test) 分割作为索引数组。

对于整数/None输入，使用KFold。

请参考用户指南，了解此处可以使用各种交叉验证策略。

0.20版本变更：如果为 None，则cv的默认值已从3折更改为5折。

tolfloat，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。范围为(0, inf]。

enet_tolfloat，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。仅用于 mode='cd'。范围为(0, inf]。

max_iterint，默认为100

最大迭代次数。

mode{'cd', 'lars'}，默认为'cd'

要使用的Lasso求解器：坐标下降或LARS。对于非常稀疏的基础图（其中特征数大于样本数），使用LARS。在其他情况下，更喜欢数值上更稳定的cd。

n_jobsint，默认为None

并行运行的作业数。None表示1（除非在joblib.parallel_backend上下文中）。-1表示使用所有处理器。有关更多详细信息，请参见词汇表。

v0.20版本变更： n_jobs的默认值已从1更改为None

verbosebool，默认为False

如果verbose为True，则在每次迭代时打印目标函数和对偶间隙。

epsfloat，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版本新增。

assume_centeredbool，默认为False

如果为True，则计算前不居中数据。在处理均值几乎为零但并非完全为零的数据时很有用。如果为False，则计算前居中数据。

属性：

location_ndarray，shape (n_features,)

估计位置，即估计均值。

covariance_ndarray，shape (n_features, n_features)

估计的协方差矩阵。

precision_ndarray，shape (n_features, n_features)

估计的精度矩阵（逆协方差）。

costs_(目标函数, 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版本新增。

alpha_float

选择的惩罚参数。

cv_results_ndarray 字典

具有以下键的字典：

alphasndarray，shape (n_alphas,): 所有已探索的惩罚参数。
split(k)_test_scorendarray，shape (n_alphas,): 第(k)折中留出数据上的对数似然得分。

1.0版本新增。
mean_test_score形状为 (n_alphas,) 的 ndarray: 各折叠上的分数均值。

1.0版本新增。
std_test_score形状为 (n_alphas,) 的 ndarray: 各折叠上分数的标准差。

1.0版本新增。

n_iter_int

为最佳 alpha 值运行的迭代次数。

n_features_in_int

在拟合过程中看到的特征数量。

0.24 版本中新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

在拟合过程中看到的特征名称。仅当 X 的特征名称全部为字符串时才定义。

1.0版本新增。

另请参阅

graphical_lasso: L1 正则化协方差估计器。
GraphicalLasso: 使用 l1 正则化估计器的稀疏逆协方差估计。

备注

对最佳惩罚参数 (alpha) 的搜索是在迭代细化的网格上进行的：首先计算网格上交叉验证的分数，然后将新的细化网格集中在最大值周围，依此类推。

这里面临的挑战之一是，求解器可能无法收敛到一个良好条件的估计值。相应的 alpha 值将作为缺失值出现，但最优值可能接近这些缺失值。

在 fit 中，一旦通过交叉验证找到最佳参数 alpha，模型将使用整个训练集再次拟合。

示例

>>> import numpy as np
>>> from sklearn.covariance import GraphicalLassoCV
>>> 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 = GraphicalLassoCV().fit(X)
>>> np.around(cov.covariance_, decimals=3)
array([[0.816, 0.051, 0.22 , 0.017],
       [0.051, 0.364, 0.018, 0.036],
       [0.22 , 0.018, 0.322, 0.094],
       [0.017, 0.036, 0.094, 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器之间的均方误差。

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_)。
scalingbool，默认为 True: 如果为 True (默认)，则将平方误差范数除以 n_features。如果为 False，则不重新缩放平方误差范数。
squaredbool，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。

返回值：

resultfloat: self 和 comp_cov 协方差估计器之间的均方误差（在 Frobenius 范数的意义上）。

fit(X, y=None, **params)[source]#

将 GraphicalLasso 协方差模型拟合到 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。
**paramsdict，默认为 None: 要传递给 CV 分割器和 cross_val_score 函数的参数。

1.5 版本中新增：仅当 enable_metadata_routing=True 时才可用，这可以通过使用 sklearn.set_config(enable_metadata_routing=True) 来设置。有关更多详细信息，请参阅元数据路由用户指南。

返回值：

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。

1.5 版本中新增。

返回值：

routingMetadataRouter: 封装路由信息的 MetadataRouter。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：

deepbool，默认为 True: 如果为 True，则将返回此估计器和包含的作为估计器的子对象的参数。

返回值：

paramsdict: 参数名称映射到其值。

get_precision()[source]#

精度矩阵的 Getter。

返回值：

precision_形状为 (n_features, n_features) 的类数组: 与当前协方差对象关联的精度矩阵。

mahalanobis(X)[source]#

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。

返回值：

dist形状为 (n_samples,) 的ndarray: 观测值的马氏距离平方。

score(X_test, y=None)[source]#

计算估计高斯模型下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) 的类数组: 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（包括中心化）。
y忽略: 未使用，出于 API 一致性约定而存在。

返回值：