make_sparse_spd_matrix#

sklearn.datasets.make_sparse_spd_matrix(n_dim=1, *, alpha=0.95, norm_diag=False, smallest_coef=0.1, largest_coef=0.9, sparse_format=None, random_state=None)[source]#

生成一个稀疏对称正定矩阵。

在用户指南中阅读更多。

参数:

n_dim整型，默认值=1: 要生成的随机矩阵的大小。

在 1.4 版本中更改：从 dim 重命名为 n_dim。
alpha浮点型，默认值=0.95: 系数为零的概率（参见注释）。值越大，稀疏性越强。该值应在 0 到 1 之间。
norm_diag布尔型，默认值=False: 是否归一化输出矩阵，使主对角线元素全部为 1。
smallest_coef浮点型，默认值=0.1: 0 到 1 之间最小系数的值。
largest_coef浮点型，默认值=0.9: 0 到 1 之间最大系数的值。
sparse_format字符串，默认值=None: 表示输出稀疏格式的字符串，例如“csc”、“csr”等。如果为 None，则返回一个稠密的 numpy ndarray。

在 1.4 版本中新增。
random_state整型，RandomState 实例或 None，默认值=None: 确定数据集创建的随机数生成。传入一个整数可以在多次函数调用中获得可重现的输出。参见术语表。

返回:

prec形状为 (dim, dim) 的 ndarray 或稀疏矩阵: 生成的矩阵。如果 sparse_format=None，则这将是一个 ndarray。否则，这将是指定格式的稀疏矩阵。

另请参见

make_spd_matrix: 生成一个随机对称正定矩阵。

注意

稀疏性实际上施加在矩阵的乔里斯基因子上。因此，alpha 不直接转化为矩阵本身的填充比例。

示例

>>> from sklearn.datasets import make_sparse_spd_matrix
>>> make_sparse_spd_matrix(n_dim=4, norm_diag=False, random_state=42)
array([[1., 0., 0., 0.],
       [0., 1., 0., 0.],
       [0., 0., 1., 0.],
       [0., 0., 0., 1.]])

画廊示例#

稀疏逆协方差估计

make_sparse_spd_matrix#

画廊示例#

本页