ledoit_wolf_shrinkage

sklearn.covariance.ledoit_wolf_shrinkage(X, assume_centered=False, block_size=1000)

估计收缩 Ledoit-Wolf 协方差矩阵。

详情请参阅用户指南。

参数:

X形状为 (n_samples, n_features) 的类数组

用于计算 Ledoit-Wolf 收缩协方差收缩率的数据。

assume_centered布尔型，默认为 False

如果为 True，数据在计算前将不会居中。这对于均值显著等于零但不完全为零的数据很有用。如果为 False，数据将在计算前居中。

block_size整型，默认为 1000

协方差矩阵将被分割成的块大小。

返回:

shrinkage浮点型

用于计算收缩估计量的凸组合系数。

备注

正则化（收缩）协方差为

(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 ledoit_wolf_shrinkage
>>> real_cov = np.array([[.4, .2], [.2, .8]])
>>> rng = np.random.RandomState(0)
>>> X = rng.multivariate_normal(mean=[0, 0], cov=real_cov, size=50)
>>> shrinkage_coefficient = ledoit_wolf_shrinkage(X)
>>> shrinkage_coefficient
np.float64(0.23)