EmpiricalCovariance#

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

最大似然协方差估计器。

在用户指南中阅读更多内容。

参数:
store_precision布尔值，默认值=True

指定是否存储估计的精度矩阵。

assume_centered布尔值，默认值=False

如果为True，则在计算前不将数据中心化。当处理均值接近但不完全为零的数据时很有用。如果为False（默认），则在计算前将数据中心化。

属性:
location_形状为 (n_features,) 的ndarray数组

估计的位置，即估计的均值。

covariance_形状为 (n_features, n_features) 的ndarray数组

估计的协方差矩阵

precision_形状为 (n_features, n_features) 的ndarray数组

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

n_features_in_整型

在拟合（fit）期间看到的特征数量。

0.24 版本新增。

feature_names_in_形状为 (n_features_in_,) 的ndarray数组

在拟合（fit）期间看到的特征名称。仅当 X 的所有特征名称都是字符串时定义。

1.0 版本新增。

另请参阅

EllipticEnvelope

用于检测高斯分布数据集中异常值的对象。

GraphicalLasso

使用l1惩罚估计器进行稀疏逆协方差估计。

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。

ShrunkCovariance

带收缩（shrinkage）的协方差估计器。

示例

>>> import numpy as np
>>> from sklearn.covariance import EmpiricalCovariance
>>> 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 = EmpiricalCovariance().fit(X)
>>> cov.covariance_
array([[0.7569, 0.2818],
       [0.2818, 0.3928]])
>>> 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_cov形状为 (n_features, n_features) 的类数组

用于比较的协方差。

norm{“frobenius”, “spectral”}，默认值=”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_)。

scaling布尔值，默认值=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，默认值=True

是计算平方误差范数还是误差范数。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浮点型

self 和 comp_cov 协方差估计器之间的均方误差（Frobenius 范数意义下）。

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

使用 X 拟合最大似然协方差估计器。

参数:
X形状为 (n_samples, n_features) 的类数组

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

y忽略

未使用，按惯例为 API 一致性而存在。

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

一个封装路由信息的 MetadataRequest 对象。

get_params(deep=True)[source]#

获取此估计器的参数。

参数:
deep布尔值，默认值=True

如果为True，将返回此估计器及其包含的作为估计器的子对象的参数。

返回:
params字典

参数名称与其值的映射。

get_precision()[source]#

精度矩阵的获取器。

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]#

计算给定观测值的平方马哈拉诺比斯距离。

参数:
X形状为 (n_samples, n_features) 的类数组

我们要计算其马哈拉诺比斯距离的观测值。假定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数组

观测值的平方马哈拉诺比斯距离。

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

计算估计的高斯模型下 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

用于计算似然的测试数据，其中 n_samples 是样本数量，n_features 是特征数量。假定 X_test 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，按惯例为 API 一致性而存在。

返回:
res浮点型

在 self.location_ 和 self.covariance_ 分别作为高斯模型均值和协方差矩阵的估计器时，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:
self估计器实例

估计器实例。