EmpiricalCovariance#

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

最大似然协方差估算器。

在用户指南中了解更多信息。

参数:
store_precisionbool, default=True

指定是否存储估计的精度矩阵。

assume_centeredbool, default=False

如果为 True，则在计算前不进行数据中心化。当处理均值几乎为零但不完全为零的数据时很有用。如果为 False（默认值），则在计算前进行数据中心化。

属性:
location_ndarray of shape (n_features,)

估计的位置，即估计的均值。

covariance_ndarray of shape (n_features, n_features)

估计的协方差矩阵。

precision_ndarray of shape (n_features, n_features)

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

n_features_in_int

在 拟合 期间看到的特征数。

0.24 版本新增。

feature_names_in_shape 为 (n_features_in_,) 的 ndarray

在 fit 期间看到的特征名称。仅当 X 具有全部为字符串的特征名称时才定义。

1.0 版本新增。

另请参阅

EllipticEnvelope

用于检测高斯分布数据集中异常值的对象。

GraphicalLasso

使用 l1 惩罚估算器进行稀疏逆协方差估计。

LedoitWolf

LedoitWolf 估算器。

MinCovDet

最小协方差行列式（协方差的稳健估计器）。

OAS

Oracle 近似收缩估算器。

ShrunkCovariance

具有收缩的协方差估算器。

示例

>>> import numpy as np
>>> from sklearn.covariance import EmpiricalCovariance
>>> 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)
>>> cov = EmpiricalCovariance().fit(X)
>>> cov.covariance_
array([[0.7569, 0.2818],
       [0.2818, 0.3928]])
>>> cov.location_
array([0.0622, 0.0193])
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_covarray-like of shape (n_features, n_features)

用于比较的协方差。

norm{“frobenius”, “spectral”}, default=”frobenius”

用于计算误差的范数类型。可用的误差类型：- 'frobenius'（默认值）：sqrt(tr(A^t.A)) - 'spectral'：sqrt(max(eigenvalues(A^t.A))，其中 A 是误差 (comp_cov - self.covariance_)。

scalingbool, default=True

如果为 True（默认值），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。

squaredbool, default=True

是否计算平方误差范数或误差范数。如果为 True（默认值），则返回平方误差范数。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（根据 Frobenius 范数）。

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

将最大似然协方差估计器拟合到 X。

参数:
Xshape 为 (n_samples, n_features) 的 array-like

训练数据，其中 n_samples 是样本数，n_features 是特征数。

y被忽略

未使用，按照惯例为保持 API 一致性而存在。

返回:
selfobject

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，了解路由机制如何工作。

返回:
routingMetadataRequest

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, default=True

如果为 True，将返回此估计器以及包含的子对象（如果它们是估计器）的参数。

返回:
paramsdict

参数名称映射到其值。

get_precision()[source]#

获取精度矩阵。

返回:
precision_array-like of shape (n_features, n_features)

与当前协方差对象关联的精度矩阵。

mahalanobis(X)[source]#

计算给定观测值的平方马哈拉诺比斯距离。

有关离群值如何影响马哈拉诺比斯距离的详细示例，请参阅稳健协方差估计和马哈拉诺比斯距离相关性。

参数:
Xshape 为 (n_samples, n_features) 的 array-like

观测值，我们计算其马哈拉诺比斯距离。假定观测值来自与用于拟合的数据相同的分布。

返回:
distndarray of shape (n_samples,)

观测值的平方马哈拉诺比斯距离。

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

计算 X_test 在估计的高斯模型下的对数似然。

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_testarray-like of shape (n_samples, n_features)

我们计算其似然的测试数据，其中 n_samples 是样本数，n_features 是特征数。X_test 假定来自与用于拟合的数据相同的分布（包括中心化）。

y被忽略

未使用，按照惯例为保持 API 一致性而存在。

返回:
resfloat

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。

此方法适用于简单的估计器以及嵌套对象（如 Pipeline）。后者具有 <component>__<parameter> 形式的参数，以便可以更新嵌套对象的每个组件。

参数:
**paramsdict

估计器参数。

返回:
selfestimator instance

估计器实例。