sklearn.covariance.GraphicalLasso¶

class sklearn.covariance.GraphicalLasso(alpha=0.01, *, mode='cd', tol=0.0001, enet_tol=0.0001, max_iter=100, verbose=False, assume_centered=False)

[源码]

使用l1-惩罚估计量的稀疏逆协方差估计。

在用户指南中阅读更多内容。

v0.20版中已更改： GraphLasso已重命名为GraphicalLasso

参数	说明
alpha	float, default=0.01 正则化参数：alpha值越大，正则化程度越高，逆协方差矩阵越稀疏。范围是（0，inf]。
mode	{‘cd’, ‘lars’}, default=’cd’ 设置lasso求解器：坐标下降（cd）或LARS。LARS用于特征数量大于样本数量的非常稀疏的情况。在数值更稳定的情况首先cd。
tol	float, default=1e-4 声明收敛的容差：如果两次迭代结果的差值低于此值，则停止迭代。范围是（0，inf]。
enet_tol	float, default=1e-4 用于计算下降方向的弹性网求解器的容差。该参数控制给定列更新搜索方向的准确性，而不是整体参数估计的准确性。仅用于mode ='cd'。范围是（0，inf]。
max_iter	int, default=100 最大迭代次数。
verbose	bool, default=False 如果设置为True，则在每次迭代时绘制目标函数和对偶间隙。
assume_centered	bool, default=False 如果为True，则在计算之前数据不会中心化，这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，则在计算之前会将数据中心化。

属性	说明
location_	ndarray of shape (n_features,) 估计位置，即估计平均值。
covariance_	ndarray of shape (n_features, n_features) 估计协方差矩阵
precision_	ndarray of shape (n_features, n_features) 估计的伪逆矩阵。
n_iter_	int 运行的迭代次数。

另见

graphical_lasso， GraphicalLassoCV

示例

>>> import numpy as np
>>> from sklearn.covariance import GraphicalLasso
>>> true_cov = np.array([[0.8, 0.0, 0.2, 0.0],
...                      [0.0, 0.4, 0.0, 0.0],
...                      [0.2, 0.0, 0.3, 0.1],
...                      [0.0, 0.0, 0.1, 0.7]])
>>> np.random.seed(0)
>>> X = np.random.multivariate_normal(mean=[0, 0, 0, 0],
...                                   cov=true_cov,
...                                   size=200)
>>> cov = GraphicalLasso().fit(X)
>>> np.around(cov.covariance_, decimals=3)
array([[0.816, 0.049, 0.218, 0.019],
       [0.049, 0.364, 0.017, 0.034],
       [0.218, 0.017, 0.322, 0.093],
       [0.019, 0.034, 0.093, 0.69 ]])
>>> np.around(cov.location_, decimals=3)
array([0.073, 0.04 , 0.038, 0.143])

方法

方法	说明
`error_norm`(self, comp_cov[, norm, scaling, …])	计算两个协方差估计量之间的均方误差。
`fit`(self, X[, y])	使GraphicalLasso模型拟合X。
`get_params`(self[, deep])	获取此估计器的参数。
`get_precision`(self)	获取精确矩阵。
`mahalanobis`(self, X)	计算给定观测值的平方马氏距离。
`score`(self, X_test[, y])	使用`self.covariance_`计算高斯数据集的对数似然值，作为其协方差矩阵的估计量。
`set_params`(self, **params)	设置此估计器的参数。

__init__(self, alpha=0.01, *, mode='cd', tol=0.0001, enet_tol=0.0001, max_iter=100, verbose=False, assume_centered=False)

[源码]

初始化self. 请参阅help(type(self))以获得准确的说明。

error_norm(self, comp_cov, norm='frobenius', scaling=True, squared=True)

[源码]

计算两个协方差估计量之间的均方误差。（在Frobenius规范的意义上）。

参数	说明
comp_cov	array-like of shape (n_features, n_features) 要比较的协方差。
norm	{“frobenius”, “spectral”}, default=”frobenius” 用于计算误差的规范类型，可用的误差类型: - ‘frobenius’ (default): - ‘spectral’: 这里的A是 `(comp_cov - self.covariance_)`的误差
scaling	bool, default=True 如果为True（默认），则平方误差范数除以n_features。如果为False，则不会重新调整平方误差范数。
squared	bool, default=True 是计算平方误差范数还是误差范数。如果为True（默认），则返回平方误差范数。如果为False，则返回错误范数。

返回值	说明
result	float `self`和`comp_cov`协方差估计量之间的均方误差（按照Frobenius范式的含义）。

fit(self,X,y = None )

[源码]

拟合GraphicalLasso模型。

参数	说明
X	array-like of shape (n_samples, n_features) 用于计算协方差估计的数据
y	Ignored 未使用，出于API一致性目的而存在。

返回值	说明
self	object

get_params(self, deep=True)

[源码]

获取此估计量的参数。

参数	说明
deep	bool, default=True 如果为True，则将返回此估算器与其所包含子对象的参数。

返回值	说明
params	mapping of string to any 参数名称映射到其值。

get_precision(self)

[源码]

获取精确度矩阵

返回值	说明
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(self, X)

[源码]

计算给定观测值的平方马氏距离。

参数	说明
X	array-like of shape (n_samples, n_features) 观测值，用来计算马氏距离。假定观测值与fit中使用的数据来自相同的分布。

返回值	说明
dist	ndarray of shape (n_samples,) 观测值的平方马氏距离。

score(self, X_test, y=None)

[源码]

使用self.covariance_作为协方差矩阵的估计值来计算高斯数据集的对数似然。

参数	说明
X_test	array-like of shape (n_samples, n_features) 计算似然性的测试数据集，其中n_samples是样本数，n_features是特征数。假定X_test与拟合（包括中心化）使用的数据来自相同的分布。
y	Ignored 未使用，出于API一致性目的而存在。

返回值	说明
res	float 数据集以`self.covariance_`作为其协方差矩阵的估计量的似然性。

set_params(self, **params)

[源码]

设置此估计器的参数。

该方法适用于简单的估计器以及嵌套对象（例如管道）。后者具有形式参数<component>__<parameter>以便可以更新嵌套对象的每个组件。

参数	说明
**params	dict 估计器参数。

返回值	参数
self	object 估计器对象。