sklearn.covariance.LedoitWolf

class sklearn.covariance.LedoitWolf(*, store_precision=True, assume_centered=False, block_size=1000)

[源码]

Ledoit-Wolf估计器

Ledoit-Wolf是一种特殊的收敛形式,其收缩系数是使用O. Ledoit和M. Wolf公式计算得出的,该公式在“A Well-Conditioned Estimator for Large-Dimensional Covariance Matrices”中进行了描述,作者是Ledoit和Wolf,《多元分析杂志》,第88卷,第2期,2004年2月,第365-411页。

用户指南中阅读更多内容。

参数 说明
store_precision bool, default=True
指定是否存储估计的精度。
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(默认),则数据将在计算之前进行中心化。
block_size int, default=1000
在Ledoit-Wolf估计期间将协方差矩阵进行分块。这纯粹是内存优化,不会影响结果。
属性 说明
covariance_ ndarray of shape (n_features, n_features)
估计的协方差矩阵。
location_ ndarray of shape (n_features,)
估计位置,即估计平均值。
precision_ ndarray of shape (n_features, n_features)
估计的伪逆矩阵。(仅在store_precision为True时存储)
shrinkage_ float
用于收缩估计中的凸组合系数。范围是[0,1]。

正则协方差为:

(1 - shrinkage) * cov + shrinkage * mu * np.identity(n_features)

其中mu = trace(cov)/ n_features,收敛率由Ledoit和Wolf公式给出(请参阅参考资料)

参考资料

“A Well-Conditioned Estimator for Large-Dimensional Covariance Matrices”, Ledoit and Wolf, Journal of Multivariate Analysis, Volume 88, Issue 2, February 2004, pages 365-411.

示例

>>> import numpy as np
>>> from sklearn.covariance import LedoitWolf
>>> real_cov = np.array([[.4.2],
...                      [.2.8]])
>>> np.random.seed(0)
>>> X = np.random.multivariate_normal(mean=[00],
...                                   cov=real_cov,
...                                   size=50)
>>> cov = LedoitWolf().fit(X)
>>> cov.covariance_
array([[0.4406..., 0.1616...],
       [0.1616..., 0.8022...]])
>>> cov.location_
array([ 0.0595... , -0.0075...])

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]) 根据给定的训练数据和参数,拟合Ledoit-Wolf收敛协方差模型。
get_params(self[, deep]) 获取此估算器的参数。
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, *, store_precision=True, assume_centered=False, block_size=1000)

[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]

根据给定的训练数据和参数,拟合Ledoit-Wolf收敛协方差模型。

参数 说明
X array-like of shape (n_samples, n_features)
训练数据,其中n_samples是样本数量,n_features是特征数量。
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]

获取此估计器的参数。

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。