经验协方差#

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

最大似然协方差估计器。

更多信息请参见 用户指南。

参数：
store_precisionbool, default=True

指定是否存储估计的精度。

assume_centeredbool, default=False

如果为 True，则在计算之前不将数据居中。当处理均值几乎为零但并非完全为零的数据时非常有用。如果为 False（默认值），则在计算之前将数据居中。

属性：
location_ndarray of shape (n_features,)

估计位置，即估计均值。

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 时才存储）

n_features_in_int

在拟合过程中观察到的特征数量。

0.24 版本新增。

feature_names_in_ndarray of shape (n_features_in_,)

在拟合过程中观察到的特征名称。仅当X的特征名称全部为字符串时才定义。

1.0 版本新增。

另请参阅

EllipticEnvelope

用于检测高斯分布数据集中的异常值的工具。

GraphicalLasso

使用 l1 正则化估计量的稀疏逆协方差估计。

LedoitWolf

Ledoit-Wolf 估计器。

MinCovDet

最小协方差行列式（协方差的稳健估计器）。

OAS

Oracle 近似收缩估计器。

ShrunkCovariance

具有收缩的协方差估计器。

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量之间的均方误差。

参数：
comp_covarray-like of shape (n_features, n_features)

要比较的协方差。

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)：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)，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)，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协方差估计量之间的均方误差（在 Frobenius 范数的意义上）。

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

将最大似然协方差估计器拟合到 X。

参数：
Xarray-like of shape (n_samples, n_features)

训练数据，其中n_samples是样本数，n_features是特征数。

yIgnored

未使用，根据约定保留以保持 API 一致性。

返回:
selfobject

返回实例本身。

get_metadata_routing()[source]#

获取此对象的元数据路由。

请查看用户指南，了解路由机制的工作原理。

返回:
routingMetadataRequest

一个MetadataRequest，封装了路由信息。

get_params(deep=True)[source]#

获取此估计器的参数。

参数：
deepbool, default=True

如果为 True，则将返回此估计器和包含的子对象（这些子对象是估计器）的参数。

返回:
paramsdict

参数名称与其值的映射。

get_precision()[source]#

精度矩阵的 Getter。

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]#

计算给定观测值的马氏距离平方。

参数：
Xarray-like of shape (n_samples, n_features)

观测值，我们计算其马氏距离。假设观测值是从与拟合中使用的同一分布中抽取的。

返回:
distndarray of shape (n_samples,)

观测值的马氏距离平方。

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

计算估计高斯模型下X_test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_test形状为 (n_samples, n_features) 的类数组

计算其似然性的测试数据，其中n_samples是样本数，n_features是特征数。X_test 假设是从与拟合中使用的相同分布的数据中抽取的（包括中心化）。

yIgnored

未使用，根据约定保留以保持 API 一致性。

返回:
res浮点数

使用self.location_和self.covariance_分别作为高斯模型均值和协方差矩阵的估计量的X_test的对数似然。

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（例如 Pipeline）。后者具有<component>__<parameter>形式的参数，因此可以更新嵌套对象的每个组件。

参数：
**params字典

估计器参数。

返回:
self估计器实例

估计器实例。