Ledoit-Wolf 方法#

sklearn.covariance.ledoit_wolf(X, *, assume_centered=False, block_size=1000)[source]#

估计收缩的 Ledoit-Wolf 协方差矩阵。

更多信息请阅读 用户指南。

参数：
X形状为 (n_samples, n_features) 的类数组

用于计算协方差估计的数据。

assume_centered布尔值，默认为 False

如果为 True，则在计算之前不会对数据进行中心化。这对于处理平均值近似等于零但并不完全等于零的数据很有用。如果为 False，则在计算之前会对数据进行中心化。

block_size整数，默认为 1000

协方差矩阵将被分割成的块的大小。这纯粹是内存优化，不会影响结果。

返回：
shrunk_cov形状为 (n_features, n_features) 的 ndarray

收缩的协方差。

shrinkage浮点数

用于计算收缩估计的凸组合中的系数。

备注

正则化（收缩）协方差为

(1 - 收缩因子) * 协方差矩阵 + 收缩因子 * μ * np.identity(n_features)

其中 μ = trace(协方差矩阵) / n_features

示例

>>> import numpy as np
>>> from sklearn.covariance import empirical_covariance, ledoit_wolf
>>> real_cov = np.array([[.4, .2], [.2, .8]])
>>> rng = np.random.RandomState(0)
>>> X = rng.multivariate_normal(mean=[0, 0], cov=real_cov, size=50)
>>> covariance, shrinkage = ledoit_wolf(X)
>>> covariance
array([[0.44..., 0.16...],
       [0.16..., 0.80...]])
>>> shrinkage
np.float64(0.23...)