收缩协方差#

class sklearn.covariance.ShrunkCovariance(*, store_precision=True, assume_centered=False, shrinkage=0.1)[source]#

具有收缩的协方差估计器。

更多信息请阅读 用户指南。

参数：
store_precisionbool，默认为 True

指定是否存储估计的精度。

assume_centeredbool，默认为 False

如果为 True，则在计算之前不会对数据进行居中处理。在处理均值几乎为零但并不完全为零的数据时很有用。如果为 False，则在计算之前会对数据进行居中处理。

shrinkagefloat，默认为 0.1

用于计算收缩估计的凸组合中的系数。范围为 [0, 1]。

属性：
covariance_shape 为 (n_features, n_features) 的 ndarray

估计的协方差矩阵

location_shape 为 (n_features,) 的 ndarray

估计的位置，即估计的均值。

precision_shape 为 (n_features, n_features) 的 ndarray

估计的伪逆矩阵。（仅当 store_precision 为 True 时存储）

n_features_in_int

在 拟合期间看到的特征数量。

0.24 版本新增。

feature_names_in_shape 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定义。

1.0 版本新增。

另请参见

EllipticEnvelope

用于检测高斯分布数据集中的异常值的工具。

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。

LedoitWolf

LedoitWolf 估计器。

MinCovDet

最小协方差行列式（协方差的稳健估计器）。

OAS

Oracle 近似收缩估计器。

备注

正则化协方差由下式给出：

(1 - shrinkage) * cov + shrinkage * mu * np.identity(n_features)

其中 mu = trace(cov) / n_features

示例

>>> import numpy as np
>>> from sklearn.covariance import ShrunkCovariance
>>> 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)
>>> cov = ShrunkCovariance().fit(X)
>>> cov.covariance_
array([[0.7387..., 0.2536...],
       [0.2536..., 0.4110...]])
>>> cov.location_
array([0.0622..., 0.0193...])
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_covshape 为 (n_features, n_features) 的 array-like

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 是误差 (comp_cov - self.covariance_)。

scalingbool，默认为 True

如果为 True（默认），则均方误差范数将除以 n_features。如果为 False，则均方误差范数不会重新缩放。

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)[source]#

将收缩协方差模型拟合到 X。

参数：
Xshape 为 (n_samples, n_features) 的 array-like

训练数据，其中 n_samples 是样本数，n_features 是特征数。

y忽略

未使用，出于 API 一致性约定而存在。

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。

返回值：
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子对象（它们是估计器）的参数。

返回值：
paramsdict

参数名称映射到它们的值。

get_precision()[source]#

精度矩阵的 Getter。

返回值：
precision_shape 为 (n_features, n_features) 的 array-like

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：
Xshape 为 (n_samples, n_features) 的 array-like

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]#

计算估计的 Gaussian 模型下X_test的对数似然。

Gaussian 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。

返回值：
res浮点数

使用self.location_和self.covariance_作为 Gaussian 模型均值和协方差矩阵的估计量时，X_test的对数似然。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单的估计器以及嵌套对象（例如Pipeline）。后者具有<component>__<parameter>形式的参数，因此可以更新嵌套对象的每个组件。

参数：
**params字典

估计器参数。

返回值：
self估计器实例

估计器实例。