GraphicalLassoCV#

类 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]#

带有交叉验证的L1惩罚项选择的稀疏逆协方差。

请参见术语表中的交叉验证估计器条目。

更多信息请阅读用户指南。

v0.20 版本中的变化: GraphLassoCV 已更名为 GraphicalLassoCV

参数:

alphasint 或形状为 (n_alphas,) 的类数组，dtype=float，默认值=4

如果给定一个整数，它将固定要使用的 alpha 网格上的点数。如果给定一个列表，它将提供要使用的网格。更多详细信息请参见类文档字符串中的说明。整数的范围是 [1, 无穷大)。浮点数类数组的范围是 (0, 无穷大]。

n_refinementsint，默认值=4

网格被细化的次数。如果传递了显式的 alphas 值，则不使用此参数。范围是 [1, 无穷大)。

cvint, 交叉验证生成器或可迭代对象，默认值=None

确定交叉验证的拆分策略。cv 的可能输入为

None，使用默认的 5 折交叉验证，
整数，指定折叠次数。
CV 分割器,
一个可迭代对象，产生 (训练集, 测试集) 拆分作为索引数组。

对于整数/None 输入，将使用 KFold。

有关可在此处使用的各种交叉验证策略，请参阅用户指南。

0.20 版本中的变化: cv 在为 None 时的默认值从 3 折变为 5 折。

tolfloat，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。范围是 (0, 无穷大]。

enet_tolfloat，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，而非整体参数估计的准确性。仅用于 mode='cd'。范围是 (0, 无穷大]。

max_iterint，默认值=100

最大迭代次数。

mode{‘cd’, ‘lars’}，默认值=’cd’

要使用的 Lasso 求解器：坐标下降或 LARS。对于非常稀疏的底层图，其中特征数量大于样本数量，请使用 LARS。其他情况首选 cd，它在数值上更稳定。

n_jobsint，默认值=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。更多详细信息请参见术语表。

v0.20 版本中的变化: n_jobs 的默认值从 1 更改为 None

verbosebool，默认值=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，默认值=eps

Cholesky 对角因子计算中的机器精度正则化。对于病态系统，请增加此值。默认值为 np.finfo(np.float64).eps。

在 1.3 版本中新增。

assume_centeredbool，默认值=False

如果为 True，则在计算前不进行数据中心化。当处理均值接近但不完全为零的数据时很有用。如果为 False，则在计算前进行数据中心化。

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

估计的精度矩阵（逆协方差）。

costs_(目标，对偶间隙) 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。

在 1.3 版本中新增。

alpha_float

选定的惩罚参数。

cv_results_ndarrays 字典

一个包含以下键的字典

alphas形状为 (n_alphas,) 的 ndarray: 所有探索过的惩罚参数。
split(k)_test_score形状为 (n_alphas,) 的 ndarray: 在第 (k) 折留出数据上的对数似然得分。

在 1.0 版本中新增。
mean_test_score形状为 (n_alphas,) 的 ndarray: 各折得分的均值。

在 1.0 版本中新增。
std_test_score形状为 (n_alphas,) 的 ndarray: 各折得分的标准差。

在 1.0 版本中新增。

n_iter_int

为找到最优 alpha 运行的迭代次数。

n_features_in_int

在 fit 期间见到的特征数量。

在 0.24 版本中新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

在 fit 期间见到的特征名称。仅当 X 的所有特征名称都是字符串时才定义。

在 1.0 版本中新增。

另请参见

graphical_lasso: L1 惩罚协方差估计器。
GraphicalLasso: 使用 L1 惩罚估计器进行稀疏逆协方差估计。

备注

对最优惩罚参数 (alpha) 的搜索是在迭代细化的网格上进行的：首先计算网格上的交叉验证分数，然后围绕最大值建立一个新的细化网格，以此类推。

这里面临的挑战之一是求解器可能无法收敛到条件良好的估计。相应的 alpha 值会显示为缺失值，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，模型将再次使用整个训练集进行拟合。

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])

有关 sklearn.covariance.GraphicalLassoCV、sklearn.covariance.ledoit_wolf 收缩和高维高斯数据上的经验协方差的比较示例，请参阅稀疏逆协方差估计。

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(特征值(A^t.A)))，其中 A 是误差 (comp_cov - self.covariance_)。
scalingbool，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，则平方误差范数不重新缩放。
squaredbool，默认值=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:

resultfloat: 在 Frobenius 范数意义下，self 和 comp_cov 协方差估计器之间的均方误差。

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: 不使用，按约定为保持 API 一致性而存在。
**paramsdict，默认值=None: 要传递给 CV 分割器和 cross_val_score 函数的参数。

在 1.5 版本中新增: 仅当 enable_metadata_routing=True 时可用，可通过使用 sklearn.set_config(enable_metadata_routing=True) 进行设置。更多详细信息请参见元数据路由用户指南。

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。

在 1.5 版本中新增。

返回:

routingMetadataRouter: 一个封装了路由信息的 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:

paramsdict: 参数名称及其对应的值。

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: 我们计算其马哈拉诺比斯距离的观测值。观测值被假定为来自与 fit 中使用的数据相同的分布。

返回:

dist形状为 (n_samples,) 的 ndarray: 观测值的平方马哈拉诺比斯距离。

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，n_features 是特征数。X_test 被假定为来自与 fit 中使用的数据相同的分布（包括中心化）。
y忽略: 不使用，按约定为保持 API 一致性而存在。

返回: