sklearn.covariance.GraphicalLassoCV

class sklearn.covariance.GraphicalLassoCV(*, alphas=4, n_refinements=4, cv=None, tol=0.0001, enet_tol=0.0001, max_iter=100, mode='cd', n_jobs=None, verbose=False, assume_centered=False)

[源码]

交叉验证选择L1惩罚时的稀疏逆方差。

有关交叉验证估计器,请参阅词汇表条目。

用户指南中阅读更多内容。

v0.20版中已更改: GraphLassoCV已重命名为GraphicalLassoCV

参数 说明
alphas int or array-like of shape (n_alphas,), dtype=float, default=4
如果给定整数,它将固定alpha网格上要使用的点的数量。如果给出了列表,则给出要使用的网格。请参阅文档中的注释以了解更多细节。给定浮点值时,范围为(0,inf]。
n_refinements int, default=4
网格细化的次数。如果传递了明确的alpha值,则不使用。范围是[1,inf)。
cv int, cross-validation generator or iterable, default=None
确定交叉验证拆分策略。可能输入是:
- 无,要使用默认的5倍交叉验证,
- 整数,用于指定折叠数。
- CV分配器
- 分割为(训练、测试)像索引数组形式的可迭代对象。
对于整数/无输入,将使用KFold
有关可在此处使用的各种交叉验证策略,请参阅用户指南

*在0.20版中更改:*如果cv设置为“无”,默认值从3倍更改为5倍。
tol float, default=1e-4
声明收敛的容差:如果两次迭代结果的差值小于此值,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。
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。
n_jobs int, default=None
同时运行的进程数。如果 joblib.parallel_backend中没有设置,None意味使用1个进程。 -1表示使用所有进程。有关更多详细信息,请参见词汇表

v0.20版中的更改:n_jobs默认从1更改为None
verbose bool, default=False
如果verbose为True,则每次迭代都会打印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,则在计算之前将数据进行中心化。
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)
估计的协方差矩阵。
precision_ ndarray of shape (n_features, n_features)
估计的精度矩阵(逆协方差)。
alpha_ float
惩罚参数
cv_alphas_ list of shape (n_alphas,), dtype=float
探索的所有惩罚参数。
grid_scores_ ndarray of shape (n_alphas, n_folds)
外部数据交叉验证的对数似然分数
n_iter_ int
为获得最佳alpha值而运行的迭代次数。

另见

graphical_lasso, GraphicalLasso

搜索最优惩罚参数(alpha)是在迭代细化的网格上进行的:首先计算网格上交叉验证的分数,然后以最大值为中心进行新的细化网格,以此类推。

这里面临的挑战之一是,求解器可能无法收敛到条件良好的估计。然后,达不到最优的alpha值,但是得到的最佳值可能接近这个最优值。

示例

>>> import numpy as np
>>> from sklearn.covariance import GraphicalLassoCV
>>> true_cov = np.array([[0.80.00.20.0],
...                      [0.00.40.00.0],
...                      [0.20.00.30.1],
...                      [0.00.00.10.7]])
>>> np.random.seed(0)
>>> X = np.random.multivariate_normal(mean=[0000],
...                                   cov=true_cov,
...                                   size=200)
>>> cov = GraphicalLassoCV().fit(X)
>>> np.around(cov.covariance_, decimals=3)
array([[0.8160.0510.22 , 0.017],
       [0.0510.3640.0180.036],
       [0.22 , 0.0180.3220.094],
       [0.0170.0360.0940.69 ]])
>>> np.around(cov.location_, decimals=3)
array([0.0730.04 , 0.0380.143])
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协方差模型拟合X。
get_params(self[, deep]) 获取此估计器的参数。
get_precision(self) 获取精确度矩阵。
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) 设置此估算器的参数。
__init__(self, *, alphas=4, n_refinements=4, cv=None, tol=0.0001, enet_tol=0.0001, max_iter=100, mode='cd', n_jobs=None, 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,则返回误差范数。
返回值 说明
result float
selfcomp_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协方差模型。

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
估算器参数。
返回值 参数
self object
估算器对象。

sklearn.covariance.GraphicalLassoCV使用示例