EmpiricalCovariance

классsklearn.covariance.EmpiricalCovariance(*, store_precision=True, assume_centered=False)[source]

Оценщик ковариации методом максимального правдоподобия.

Подробнее см. в Руководстве пользователя.

Параметры:

store_precisionbool, по умолчанию=True

Указывает, хранить ли оценённую матрицу точности.

assume_centeredbool, по умолчанию=False

Если True, данные не центрируются перед вычислением. Полезно при работе с данными, среднее значение которых почти, но не точно равно нулю. Если False (по умолчанию), данные центрируются перед вычислением.

Атрибуты:

location_массив формы (n_features,)

Оценённая локализация, т.е. оценённое среднее значение.

covariance_массив формы (n_features, n_features)

Оценённая матрица ковариаций

precision_массив формы (n_features, n_features)

Оценённая псевдообратная матрица. (хранится только если store_precision равно True)

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлен в версии 0.24.

feature_names_in_массив формы (n_features_in_,)

Имена признаков, увиденные во время fit. Определены только тогда, когда X имеет имена признаков, которые все являются строками.

Добавлен в версии 1.0.

См. также

EllipticEnvelope

Объект для обнаружения выбросов в наборе данных, распределённых по Гауссу.

GraphicalLasso

Оценка разреженной обратной ковариационной матрицы с l1-регуляризацией.

LedoitWolf

Оценщик LedoitWolf.

MinCovDet

Минимальное определитель ковариации (робастный оценщик ковариации).

OAS

Оценщик Oracle Approximating Shrinkage.

ShrunkCovariance

Оценщик ковариации со сжатием.

Примеры

>>> 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]

Вычисляет среднюю квадратическую ошибку между двумя оценщиками ковариации.

Параметры:

comp_covмассив формы (n_features, n_features)

Ковариация для сравнения.

norm{“frobenius”, “spectral”}, по умолчанию=”frobenius”

Тип нормы, используемой для вычисления ошибки. Доступные типы ошибок: - ‘frobenius’ (по умолчанию): sqrt(tr(A^t.A)) - ‘spectral’: sqrt(max(eigenvalues(A^t.A)) где A — ошибка (comp_cov - self.covariance_).

scalingbool, по умолчанию=True

Если True (по умолчанию), нормированная средняя квадратичная ошибка делится на n_features. Если False, нормированная средняя квадратичная ошибка не масштабируется.

squaredbool, по умолчанию=True

Вычислять ли нормированную среднюю квадратическую ошибку или норму ошибки. Если True (по умолчанию), возвращается нормированная средняя квадратичная ошибка. Если False, возвращается норма ошибки.

Возвращает:

resultfloat

Средняя квадратичная ошибка (в смысле нормы Фробениуса) между self и comp_cov оценщиками ковариации.

fit(X, y=None)[source]

Обучить оценщик ковариации максимального правдоподобия к X.

Параметры:

Xмассив формы (n_samples, n_features)

Данные обучения, где n_samples — количество выборок, а n_features — количество признаков.

yПроигнорировано

Не используется, присутствует для согласованности API по соглашению.

Возвращает:

selfобъект

Возвращает экземпляр самого себя.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

См. Руководство пользователя о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest оболочка, содержащая информацию о маршрутизации.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернёт параметры этого оценщика и вложенных подобъектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

get_precision()[source]

Получить матрицу точности.

Возвращает:

precision_массив формы (n_features, n_features)

Матрица точности, связанная с текущим объектом ковариации.

mahalanobis(X)[source]

Вычислить квадраты расстояний Махаланобиса заданных наблюдений.

Параметры:

Xarray-like формы (n_samples, n_features)

Наблюдения, расстояния Махаланобиса которых мы вычисляем. Предполагается, что наблюдения взяты из того же распределения, что и данные, используемые в методе fit.

Возвращает:

distмассив формы (n_samples,)

Квадраты расстояний Махаланобиса наблюдений.

score(X_test, y=None)[source]

Вычислить логарифм правдоподобия X_test по оценённой гауссовской модели.

Гауссовская модель определяется своим средним значением и ковариационной матрицей, которые представлены соответственно self.location_ и self.covariance_.

Параметры:

X_testarray-like формы (n_samples, n_features)

Тестовые данные, для которых мы вычисляем правдоподобие, где n_samples — число выборок, а n_features — число признаков. X_test предполагается взятым из того же распределения, что и данные, используемые в методе fit (включая центрирование).

yИгнорируется

Не используется, присутствует для соответствия API по соглашению.

Возвращает:

resfloat

Логарифм правдоподобия X_test с self.location_ и self.covariance_ как оценками среднего значения и ковариационной матрицы гауссовской модели соответственно.

set_params(**params)[source]

Установить параметры этого оценщика.

Метод работает как с простыми оценщиками, так и со вложенными объектами (например, с Pipeline). Последние имеют параметры вида <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

Примеры из галереи

Устойчивая оценка ковариации и важность расстояний Махаланобиса

Устойчивая vs эмпирическая оценка ковариации

Оценка ковариации с уменьшением: LedoitWolf vs OAS и максимальное правдоподобие