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]#

生成稀疏对称正定矩阵。

在用户指南中阅读更多内容。

参数:

n_dimint, default=1: 要生成的随机矩阵的大小。

版本 1.4 中的变化：已从 dim 重命名为 n_dim。
alphafloat, default=0.95: 系数为零的概率（参见注释）。值越大，稀疏度越高。值应在 0 到 1 之间。
norm_diagbool, default=False: 是否对输出矩阵进行归一化，使主对角线元素全部为 1。
smallest_coeffloat, default=0.1: 最小系数的值，介于 0 和 1 之间。
largest_coeffloat, default=0.9: 最大系数的值，介于 0 和 1 之间。
sparse_formatstr, default=None: 表示输出稀疏格式的字符串，例如 ‘csc’、‘csr’ 等。如果为 None，则返回一个密集的 numpy ndarray。

1.4 版本新增。
random_stateint, RandomState instance or None, default=None: 确定数据集创建的随机数生成。传递一个 int 值以在多次函数调用中获得可重现的输出。请参阅词汇表。

返回:

precndarray or sparse matrix of shape (dim, dim): 生成的矩阵。如果 sparse_format=None，这将是一个 ndarray。否则，这将是指定格式的稀疏矩阵。

另请参阅

make_spd_matrix: 生成一个随机对称正定矩阵。

注意事项

稀疏性实际上是施加在矩阵的 Cholesky 因子上的。因此 alpha 不会直接转换为矩阵本身的填充率。

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.]])

Gallery examples#

稀疏逆协方差估计

make_sparse_spd_matrix#

Gallery examples#

本页