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)[source]

Оценка разреженных обратных ковариаций с помощью l1-оценки.

Пример использования см. в Визуализация структуры фондового рынка.

Подробнее см. в Руководстве пользователя.

Изменено в версии v0.20: GraphLasso было переименовано в GraphicalLasso

Параметры:

alphafloat, по умолчанию=0.01

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

mode{‘cd’, ‘lars’}, по умолчанию=’cd’

Метод решения задачи Lasso: метод координатного спуска или LARS. Используйте LARS для очень разреженных подлежащих графов, где p > n. В противном случае предпочтительнее cd, который более численно устойчив.

covariance“precomputed”, по умолчанию=None

Если covariance равно “precomputed”, входные данные в fit предполагаются ковариационной матрицей. Если None, эмпирическая ковариационная матрица оценивается из данных X.

Добавлена в версии 1.3.

tolfloat, по умолчанию=1e-4

Пороговое значение для объявления сходимости: если двойной разрыв опускается ниже этого значения, итерации останавливаются. Диапазон (0, inf].

enet_tolfloat, по умолчанию=1e-4

Пороговое значение для решателя эластичной сети, используемого для вычисления направления спуска. Этот параметр контролирует точность направления поиска для обновления данного столбца, а не всей оценки параметра. Используется только для mode=’cd’. Диапазон (0, inf].

max_iterint, по умолчанию=100

Максимальное количество итераций.

verbosebool, по умолчанию=False

Если verbose равно True, функция цели и двойной разрыв выводятся на каждой итерации.

epsfloat, по умолчанию=eps

Регуляризация машинной точности при вычислении диагональных факторов Холецкого. Увеличьте это значение для очень плохо обусловленных систем. По умолчанию np.finfo(np.float64).eps.

Добавлена в версии 1.3.

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, данные центрируются перед вычислением.

Атрибуты:

location_массив формы (n_features,)

Оценённое положение, т.е. оценённое среднее значение.

covariance_массив формы (n_features, n_features)

Оценённая ковариационная матрица

precision_массив формы (n_features, n_features)

Оценённая псевдообратная матрица.

n_iter_int

Количество выполненных итераций.

costs_список пар (objective, dual_gap)

Список значений целевой функции и двойного разрыва на каждой итерации. Возвращается только если return_costs равно True.

Добавлена в версии 1.3.

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлена в версии 0.24.

feature_names_in_массив формы (n_features_in_,)

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

Добавлена в версии 1.0.

См. также

graphical_lasso

Оценщик ковариации с L1-регуляризацией.

GraphicalLassoCV

Разреженная обратная ковариационная матрица с выбором штрафа l1 с помощью перекрёстной 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)[source]

Вычислить среднеквадратическую 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), среднеквадратичная ошибка нормируется на n_features. Если False, среднеквадратичная ошибка не масштабируется.

squaredbool, по умолчанию=True

Вычислять норму квадратичной ошибки или норму ошибки. Если True (по умолчанию), возвращается норма квадратичной ошибки. Если False, возвращается норма ошибки.

Возвращает:

resultfloat

Среднеквадратическая ошибка (в смысле нормы Фробенеуса) между оценщиками ковариации self и comp_cov.

fit(X, y=None)[source]

Обучить модель GraphicalLasso на X.

Параметры:

Xмассив формы (n_samples, n_features)

Данные, используемые для вычисления оценки ковариации.

yИгнорируется

Не используется, присутствует для совместимости API по умолчанию.

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 объект, содержащий 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]

Получение матрицы точности.

Возвращает:

precision_array-like формы (n_features, n_features)

Матрица точности, связанная с текущим объектом ковариации.

mahalanobis(X)[source]

Вычисление квадратичных расстояний Махаланобиса заданных наблюдений.

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, используемые в методе fit.

Возвращает:

distndarray формы (n_samples,)

Квадратичные расстояния Махаланобиса наблюдений.

score(X_test, y=None)[source]

Вычисление логарифма правдоподобия X_test в рамках оценок Гауссовской модели.

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

Параметры:

X_testarray-like формы (n_samples, n_features)

Тестовые данные, для которых вычисляется правдоподобие, где n_samples — число образцов, 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 и матрицы ковариаций Гауссовской модели соответственно.

set_params(**params)[source]

Установить параметры этого оценщика.

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

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.