OAS#

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

Oracle Approximating Shrinkage 估计器。

更多信息请参见用户指南。

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，数据在计算前将不进行中心化处理。当处理均值接近但不完全为零的数据时，此参数很有用。如果为 False（默认），数据在计算前将进行中心化处理。

属性:
covariance_形状为 (n_features, n_features) 的 ndarray

估计的协方差矩阵。

location_形状为 (n_features,) 的 ndarray

估计的位置，即估计的均值。

precision_形状为 (n_features, n_features) 的 ndarray

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

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 (fit) 过程中所见的特征数量。

0.24 版本新增。

feature_names_in_形状为 (n_features_in_,) 的 ndarray

在拟合 (fit) 过程中所见的特征名称。仅当 X 的所有特征名称均为字符串时定义。

1.0 版本新增。

另请参见

EllipticEnvelope

一个用于检测高斯分布数据集中异常值的对象。

EmpiricalCovariance

最大似然协方差估计器。

GraphicalLasso

使用 l1 惩罚估计器进行稀疏逆协方差估计。

GraphicalLassoCV

通过交叉验证选择 l1 惩罚的稀疏逆协方差。

LedoitWolf

LedoitWolf 估计器。

MinCovDet

最小协方差行列式（协方差的鲁棒估计器）。

ShrunkCovariance

带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，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。在原始文章中，公式 (23) 指出，分子和分母中都乘以 2/p（p 是特征数量）乘以 Trace(cov*cov)，但此操作被省略了，因为对于较大的 p，2/p 的值非常小，以至于它不影响估计器的值。

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)

有关更详细的示例，另请参见 收缩协方差估计：LedoitWolf 与 OAS 和最大似然 和 Ledoit-Wolf 与 OAS 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

用于比较的协方差。

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（Frobenius 范数意义上的）。

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

将 Oracle Approximating Shrinkage 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 是样本数量，n_features 是特征数量。

y忽略

不使用，按约定为保持 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。

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，将返回此估计器以及所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]#

计算给定观测值的马哈拉诺比斯距离平方。

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。观测值被假定来自与拟合数据相同的分布。

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

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。X_test 假定与拟合数据（包括中心化）来自相同的分布。

y忽略

不使用，按约定为保持 API 一致性而存在。

返回:
resfloat

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:
**paramsdict

估计器参数。

返回:
self估计器实例

估计器实例。