GraphicalLasso

classsklearn.covariance.GraphicalLasso(alpha=0.01, *, mode='cd', covariance=None, tol=0.0001, enet_tol=0.0001, max_iter=100, verbose=False, eps=np.float64(2.220446049250313e-16), assume_centered=False)[исходный код]

Разреженная оценка обратной ковариационной матрицы с помощью оценщика с L1-регуляризацией.

Пример использования см. в разделе Визуализация структуры фондового рынка.

Подробнее см. в Руководстве пользователя.

Изменено в версии v0.20: GraphLasso переименован в GraphicalLasso

Параметры:

alphafloat, по умолчанию=0.01

Параметр регуляризации: чем выше alpha, тем сильнее регуляризация и тем разреженнее обратная ковариационная матрица. Диапазон: (0, inf].

mode{‘cd’, ‘lars’}, по умолчанию=’cd’

Используемый решатель Lasso: покоординатный спуск или LARS. Используйте LARS для очень разреженных исходных графов, где p > n. В остальных случаях предпочтительнее cd, который обеспечивает большую численную устойчивость.

covariance“precomputed”, по умолчанию=None

Если covariance равно “precomputed”, предполагается, что входные данные в fit являются ковариационной матрицей. Если None, эмпирическая ковариационная матрица оценивается по данным X.

Добавлено в версии 1.3.

tolfloat, по умолчанию=1e-4

Допуск для определения сходимости: если двойственный разрыв становится меньше этого значения, итерации прекращаются. Диапазон: (0, inf].

enet_tolfloat, по умолчанию=1e-4

Допуск для решателя эластичной сети, используемого для вычисления направления спуска. Этот параметр определяет точность направления поиска для обновления заданного столбца, а не общей оценки параметров. Используется только при mode=’cd’. Диапазон: (0, inf].

max_iterint, по умолчанию=100

Максимальное число итераций.

verbosebool, по умолчанию=False

Если verbose имеет значение True, на каждой итерации отображаются целевая функция и двойственный разрыв.

epsfloat, по умолчанию=eps

Регуляризация с машинной точностью при вычислении диагональных множителей разложения Холецкого. Увеличьте это значение для сильно плохо обусловленных систем. Значение по умолчанию — np.finfo(np.float64).eps.

Добавлено в версии 1.3.

assume_centeredbool, по умолчанию=False

Если True, данные не центрируются перед вычислением. Полезно при работе с данными, среднее которых близко, но не равно нулю. Если False, данные центрируются перед вычислением.

Атрибуты:

location_ndarray формы (n_features,)

Оцененное положение, то есть оцененное среднее.

covariance_ndarray формы (n_features, n_features)

Оцененная ковариационная матрица

precision_ndarray формы (n_features, n_features)

Оцененная псевдообратная матрица.

n_iter_int

Число выполненных итераций.

costs_список пар (целевая функция, двойственный разрыв)

Список значений целевой функции и двойственного разрыва на каждой итерации. Возвращается, только если return_costs имеет значение True.

Добавлено в версии 1.3.

n_features_in_int

Число признаков, полученных при вызове fit.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, полученные при вызове fit. Определен только в том случае, если X содержит имена признаков, все из которых являются строками.

Добавлено в версии 1.0.

См. также

graphical_lasso

Оценщик ковариации с L1-регуляризацией.

GraphicalLassoCV

Разреженная обратная ковариационная матрица с выбором штрафа l1 с помощью перекрестной проверки.

Примеры

>>> 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])

error_norm(comp_cov, norm='frobenius', scaling=True, squared=True)[исходный код]

Вычислить среднеквадратичную ошибку между двумя оценками 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 оценками ковариации self и comp_cov.

fit(X, y=None)[исходный код]

Обучить модель GraphicalLasso на X.

Параметры:

Xarray-like формы (n_samples, n_features)

Данные, используемые для вычисления оценки ковариации.

yИгнорируется

Не используется; присутствует в соответствии с соглашением для согласованности API.

Возвращает:

selfobject

Возвращает сам экземпляр.

get_metadata_routing()[исходный код]

Получить информацию о маршрутизации метаданных этого объекта.

Описание работы механизма маршрутизации см. в Руководстве пользователя.

Возвращает:

routingMetadataRequest

MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[исходный код]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, будут возвращены параметры этого оценщика и содержащихся в нем подобъектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров и соответствующие им значения.

get_precision()[исходный код]

Геттер матрицы точности.

Возвращает:

precision_array-like формы (n_features, n_features)

Матрица точности, соответствующая текущему объекту ковариации.

mahalanobis(X)[исходный код]

Вычислить квадраты расстояний Махаланобиса для заданных наблюдений.

Подробный пример влияния выбросов на расстояние Махаланобиса см. в разделе Оценка робастной ковариации и значимость расстояний Махаланобиса.

Параметры:

Xarray-like формы (n_samples, n_features)

Наблюдения, для которых вычисляются расстояния Махаланобиса. Предполагается, что наблюдения получены 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]

Вычислить логарифм правдоподобия X_test согласно оцененной гауссовской модели.

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

Параметры:

X_testarray-like формы (n_samples, n_features)

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

yИгнорируется

Не используется; присутствует в соответствии с соглашением для согласованности API.

Возвращает:

resfloat

Логарифм правдоподобия X_test, где self.location_ и self.covariance_ используются соответственно как оценки среднего и ковариационной матрицы гауссовской модели.

set_params(**params)[исходный код]

Задать параметры этого оценщика.

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

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.