EmpiricalCovariance

classsklearn.covariance.EmpiricalCovariance(*, store_precision=True, assume_centered=False)[исходный код]

Оцениватель ковариации методом максимального правдоподобия.

Подробнее см. в руководстве пользователя.

Параметры:

store_precisionbool, по умолчанию=True

Указывает, следует ли сохранять оцененную матрицу точности.

assume_centeredbool, по умолчанию=False

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

Атрибуты:

location_ndarray формы (n_features,)

Оцененное положение, то есть оцененное среднее значение.

covariance_ndarray формы (n_features, n_features)

Оцененная матрица ковариации.

precision_ndarray формы (n_features, n_features)

Оцененная псевдообратная матрица. (Сохраняется, только если store_precision равно True.)

n_features_in_int

Количество признаков, обнаруженных во время fit.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Названия признаков, обнаруженных во время fit. Определяется, только если X содержит названия признаков, представленные строками.

Добавлено в версии 1.0.

См. также

EllipticEnvelope

Объект для обнаружения выбросов в наборе данных с нормальным распределением.

GraphicalLasso

Оценка разреженной обратной ковариационной матрицы с помощью оценивателя с l1-регуляризацией.

LedoitWolf

Оцениватель LedoitWolf.

MinCovDet

Определитель минимальной ковариации (устойчивый оцениватель ковариации).

OAS

Оцениватель сжимающей оценки, приближающей оракул.

ShrunkCovariance

Оцениватель 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)[исходный код]

Вычисляет среднеквадратичную ошибку между двумя оценивателями ковариации.

Параметры:

comp_covarray-like формы (n_features, n_features)

Ковариационная матрица 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 — матрица ошибки (comp_cov - self.covariance_).

scalingbool, по умолчанию=True

Если True (по умолчанию), квадрат нормы ошибки делится на n_features. Если False, квадрат нормы ошибки не масштабируется.

squaredbool, по умолчанию=True

Вычислять ли квадрат нормы ошибки или саму норму ошибки. Если True (по умолчанию), возвращается квадрат нормы ошибки. Если False, возвращается норма ошибки.

Возвращает:

resultfloat

Среднеквадратичная ошибка (в смысле нормы Фробениуса) между оценивателями ковариации self и comp_cov.

fit(X, y=None)[исходный код]

Обучает оцениватель ковариации методом максимального правдоподобия на X.

Параметры:

Xarray-like формы (n_samples, n_features)

Обучающие данные, где n_samples — количество образцов, а n_features — количество признаков.

yИгнорируется

Не используется; присутствует для согласованности API согласно соглашению.

Возвращает:

selfobject

Возвращает сам экземпляр.

get_metadata_routing()[исходный код]

Возвращает маршрутизацию метаданных этого объекта.

О том, как работает механизм маршрутизации, см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий сведения о маршрутизации.

get_params(deep=True)[исходный код]

Возвращает параметры этого оценивателя.

Параметры:

deepbool, по умолчанию=True

Если True, возвращает параметры этого оценивателя и вложенных объектов, являющихся оценивателями.

Возвращает:

paramsdict

Имена параметров, сопоставленные с их значениями.

get_precision()[исходный код]

Метод получения матрицы точности.

Возвращает:

precision_array-like формы (n_features, n_features)

Матрица точности, соответствующая текущему объекту ковариации.

mahalanobis(X)[исходный код]

Вычисляет квадраты расстояний Махаланобиса для заданных наблюдений.

Подробный пример влияния выбросов на расстояние Махаланобиса см. в разделе Устойчивое оценивание ковариации и важность расстояний Махаланобиса.

Параметры:

Xarray-like формы (n_samples, n_features)

Наблюдения, для которых вычисляются расстояния Махаланобиса. Предполагается, что наблюдения взяты из того же распределения, что и данные, использованные при обучении.

Возвращает:

distndarray формы (n_samples,)

Квадраты расстояний Махаланобиса для наблюдений.

score(X_test, y=None)[исходный код]

Вычисляет логарифм правдоподобия X_test в соответствии с оцененной гауссовой моделью.

Гауссова модель определяется средним значением и матрицей ковариации, представленными соответственно self.location_ и self.covariance_.

Параметры:

X_testarray-like формы (n_samples, n_features)

Тестовые данные, для которых вычисляется правдоподобие, где n_samples — количество образцов, а n_features — количество признаков. Предполагается, что X_test взяты из того же распределения, что и данные, использованные при обучении (включая центрирование).

yИгнорируется

Не используется; присутствует для согласованности API согласно соглашению.

Возвращает:

resfloat

Логарифм правдоподобия X_test, где self.location_ и self.covariance_ выступают в качестве оценивателей среднего значения и матрицы ковариации гауссовой модели соответственно.

set_params(**params)[исходный код]

Задает параметры этого оценивателя.

Метод работает как с простыми оценивателями, так и с вложенными объектами (например, Pipeline). У последних параметры имеют вид <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценивателя.

Возвращает:

selfэкземпляр оценивателя

Экземпляр оценивателя.

Примеры из галереи

Оценивание ковариации со сжатием: LedoitWolf, OAS и максимальное правдоподобие

Устойчивое оценивание ковариации и важность расстояний Махаланобиса

Устойчивое и эмпирическое оценивание ковариации