LedoitWolf#
- class sklearn.covariance.LedoitWolf(*, store_precision=True, assume_centered=False, block_size=1000)[source]#
LedoitWolf 估算器。
Ledoit-Wolf 是一种特殊的收缩形式，其中收缩系数是使用 O. Ledoit 和 M. Wolf 在“A Well-Conditioned Estimator for Large-Dimensional Covariance Matrices”（Ledoit and Wolf，Journal of Multivariate Analysis，Volume 88，Issue 2，February 2004，pages 365-411）中描述的公式计算的。
Read more in the User Guide.
- 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，则在计算前数据不会居中。在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），则在计算前数据将居中。
- block_sizeint, default=1000
在 Ledoit-Wolf 估计过程中，协方差矩阵将被分成块的大小。这纯粹是内存优化，不影响结果。
- 属性:
- covariance_ndarray of shape (n_features, n_features)
估计的协方差矩阵。
- location_ndarray of shape (n_features,)
估计的位置，即估计的均值。
- precision_ndarray of shape (n_features, n_features)
估计的伪逆矩阵。（仅当 store_precision 为 True 时存储）
- shrinkage_float
用于计算收缩估计量的凸组合系数。范围为 [0, 1]。
- 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。
EmpiricalCovariance最大似然协方差估算器。
GraphicalLasso使用 l1 惩罚估算器进行稀疏逆协方差估计。
GraphicalLassoCVSparse inverse covariance with cross-validated choice of the l1 penalty.
MinCovDet最小协方差行列式（协方差的稳健估计器）。
OASOracle 近似收缩估算器。
ShrunkCovariance具有收缩的协方差估算器。
注意事项
正则化协方差为
(1 - shrinkage) * cov + shrinkage * mu * np.identity(n_features)
其中 mu = trace(cov) / n_features，收缩系数由 Ledoit 和 Wolf 公式给出（参见参考文献）
References
“A Well-Conditioned Estimator for Large-Dimensional Covariance Matrices”，Ledoit and Wolf，Journal of Multivariate Analysis，Volume 88，Issue 2，February 2004，pages 365-411。
示例
>>> import numpy as np >>> from sklearn.covariance import LedoitWolf >>> real_cov = np.array([[.4, .2], ... [.2, .8]]) >>> np.random.seed(0) >>> X = np.random.multivariate_normal(mean=[0, 0], ... cov=real_cov, ... size=50) >>> cov = LedoitWolf().fit(X) >>> cov.covariance_ array([[0.4406, 0.1616], [0.1616, 0.8022]]) >>> cov.location_ array([ 0.0595 , -0.0075])
有关更详细的示例，请参阅 收缩协方差估计：LedoitWolf vs OAS 和最大似然估计 和 Ledoit-Wolf vs 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_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]#
使用 Ledoit-Wolf 收缩协方差模型拟合 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。
