OAS#
- class sklearn.covariance.OAS(*, store_precision=True, assume_centered=False)[source]#
Oracle 近似收缩估计器。
更多信息请阅读 用户指南。
- 参数：
- store_precisionbool, default=True
指定是否存储估计的精度。
- assume_centeredbool, default=False
如果为 True，则在计算之前不会对数据进行居中处理。当处理均值几乎为零但不完全为零的数据时非常有用。如果为 False（默认值），则在计算之前将对数据进行居中处理。
- 属性：
- covariance_ndarray of shape (n_features, n_features)
估计的协方差矩阵。
- location_ndarray of shape (n_features,)
估计的位置，即估计的均值。
- precision_ndarray of shape (n_features, n_features)
估计的伪逆矩阵。（仅当 store_precision 为 True 时才存储）
- shrinkage_float
用于计算收缩估计的凸组合中的系数。范围为 [0, 1]。
- n_features_in_int
在 拟合过程中看到的特征数量。
0.24 版本中添加。
- 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 版本中添加。
另请参见
EllipticEnvelope用于检测高斯分布数据集中的异常值的对象。
EmpiricalCovariance最大似然协方差估计器。
GraphicalLasso使用 l1 正则化估计器的稀疏逆协方差估计。
GraphicalLassoCV具有交叉验证选择的 l1 惩罚的稀疏逆协方差。
LedoitWolfLedoitWolf 估计器。
MinCovDet最小协方差行列式（协方差的稳健估计器）。
ShrunkCovariance具有收缩的协方差估计器。
备注
正则化协方差为
(1 - shrinkage) * cov + shrinkage * mu * np.identity(n_features),
其中 mu = trace(cov) / n_features，而 shrinkage 由 OAS 公式给出（参见 [1]）。
此处实现的收缩公式与 [1] 中的公式 23 不同。在原文中，公式 (23) 指出在分子和分母中，2/p（p 为特征数）都乘以 Trace(cov*cov)，但此操作被省略，因为对于较大的 p，2/p 的值非常小，以至于不会影响估计器的值。
参考文献
示例
>>> import numpy as np >>> from sklearn.covariance import OAS >>> from sklearn.datasets import make_gaussian_quantiles >>> real_cov = np.array([[.8, .3], ... [.3, .4]]) >>> rng = np.random.RandomState(0) >>> X = rng.multivariate_normal(mean=[0, 0], ... cov=real_cov, ... size=500) >>> oas = OAS().fit(X) >>> oas.covariance_ array([[0.7533..., 0.2763...], [0.2763..., 0.3964...]]) >>> oas.precision_ array([[ 1.7833..., -1.2431... ], [-1.2431..., 3.3889...]]) >>> oas.shrinkage_ np.float64(0.0195...)
- 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），则均方误差范数除以 n_features。如果为 False，则均方误差范数不进行重新缩放。
- squaredbool，默认为 True
是否计算均方误差范数或误差范数。如果为 True（默认），则返回均方误差范数。如果为 False，则返回误差范数。
- 返回：
- 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)[source]#
将 Oracle 近似收缩协方差模型拟合到 X。
- 参数：
- X形状为 (n_samples, n_features) 的类数组
训练数据，其中
n_samples是样本数，n_features是特征数。- y忽略
未使用，根据惯例保留以保持 API 一致性。
- 返回：
- selfobject
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，封装了路由信息。
- 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，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：
- paramsdict
参数名称与其值的映射。
- get_precision()[source]#
精度矩阵的 Getter。
- 返回：
- 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數據来自相同的分布。
- 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)[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
我们计算似然的测试数据，其中
n_samples是样本数，n_features是特征数。X_test假设是从与拟合中使用的相同分布（包括中心化）的数据中抽取的。- y忽略
未使用，根据惯例保留以保持 API 一致性。
- 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的估计量，计算X_test的对数似然。
