GraphicalLasso#

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 范数惩罚估计器进行稀疏逆协方差估计。

用法示例请参见可视化股票市场结构。

在用户指南中阅读更多内容。

v0.20 版本中的变化：GraphLasso 已更名为 GraphicalLasso

参数:

alpha浮点数, 默认值=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。范围为 (0, 无穷大]。
mode{‘cd’, ‘lars’}, 默认值=’cd’: 要使用的 Lasso 求解器：坐标下降法 (coordinate descent) 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，优先选择数值更稳定的 cd。
covariance“precomputed”, 默认值=None: 如果 `covariance` 为“precomputed”，则 `fit` 中的输入数据被假定为协方差矩阵。如果为 `None`，则从数据 `X` 中估计经验协方差。

1.3 版本新增。
tol浮点数, 默认值=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, 无穷大]。
enet_tol浮点数, 默认值=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准确性，而不是整体参数估计的准确性。仅在 mode='cd' 时使用。范围为 (0, 无穷大]。
max_iter整数, 默认值=100: 最大迭代次数。
verbose布尔值, 默认值=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, 默认值=eps: 计算乔列斯基对角因子时的机器精度正则化。对于条件非常差的系统，请增加此值。默认值为 np.finfo(np.float64).eps。

1.3 版本新增。
assume_centered布尔值, 默认值=False: 如果为 True，数据在计算前不进行中心化。在处理均值接近但不完全为零的数据时很有用。如果为 False，数据在计算前进行中心化。

属性:

location_形状为 (n_features,) 的 ndarray: 估计的位置，即估计的均值。
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_(objective, dual_gap) 对的列表: 每次迭代时目标函数和对偶间隙的值列表。仅当 return_costs 为 True 时返回。

1.3 版本新增。
n_features_in_整数: 在拟合期间观察到的特征数量。

0.24 版本新增。
feature_names_in_形状为 (n_features_in_,) 的 ndarray: 在拟合期间观察到的特征名称。仅当 X 的特征名称全为字符串时定义。

1.0 版本新增。

另请参见

graphical_lasso: L1 惩罚协方差估计器。
GraphicalLassoCV: 通过交叉验证选择 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器之间的均方误差。

参数:

comp_cov形状类似数组的 (n_features, n_features): 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。
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浮点数: 在 `self` 和 `comp_cov` 协方差估计器之间，计算（在 Frobenius 范数意义上的）均方误差。

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

将 GraphicalLasso 模型拟合到 X。

参数:

X形状类似数组的 (n_samples, n_features): 用于计算协方差估计的数据。
y已忽略: 未使用，按照惯例，为了 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。

请查阅用户指南以了解路由机制的工作原理。

返回:

routingMetadataRequest: 一个封装路由信息的 MetadataRequest。

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: 参数名称映射到其值。

get_precision()[source]#

精度矩阵的获取器。

返回:

precision_形状类似数组的 (n_features, n_features): 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哈拉诺比斯距离平方。

参数:

X形状类似数组的 (n_samples, n_features): 要计算马哈拉诺比斯距离的观测值。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: 观测值的马哈拉诺比斯距离平方。

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

计算在估计的高斯模型下 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形状类似数组的 (n_samples, n_features): 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（包括中心化后的）数据来自相同的分布。
y已忽略: 未使用，按照惯例，为了 API 一致性而存在。

返回:

res浮点数: X_test 的对数似然，其中 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。

set_params(**params)[source]#

设置此估计器的参数。

此方法适用于简单估计器以及嵌套对象（例如 Pipeline）。后者具有以下形式的参数：<component>__<parameter>，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。

GraphicalLasso#

本页