ledoit_wolf

sklearn.covariance.ledoit_wolf(X, *, assume_centered=False, block_size=1000)[исходный код]

Оценить сжатую ковариационную матрицу Ледуа — Вольфа.

Подробнее см. в руководстве пользователя.

Параметры:

Xarray-like of shape (n_samples, n_features)

Данные, на основе которых вычисляется оценка ковариации.

assume_centeredbool, default=False

Если True, данные не будут центрированы перед вычислениями. Полезно для работы с данными, среднее которых значительно близко к нулю, но не равно ему точно. Если False, данные будут центрированы перед вычислениями.

block_sizeint, default=1000

Размер блоков, на которые будет разбита ковариационная матрица. Это оптимизация исключительно для экономии памяти, она не влияет на результаты.

Возвращает:

shrunk_covndarray of shape (n_features, n_features)

Сжатая ковариационная матрица.

shrinkagefloat

Коэффициент в выпуклой комбинации, используемой для вычисления сжатой оценки.

Примечания

Регуляризованная (сжатая) ковариационная матрица:

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

где mu = trace(cov) / n_features

Примеры

>>> import numpy as np
>>> from sklearn.covariance import empirical_covariance, ledoit_wolf
>>> real_cov = np.array([[.4, .2], [.2, .8]])
>>> rng = np.random.RandomState(0)
>>> X = rng.multivariate_normal(mean=[0, 0], cov=real_cov, size=50)
>>> covariance, shrinkage = ledoit_wolf(X)
>>> covariance
array([[0.44, 0.16],
       [0.16, 0.80]])
>>> shrinkage
np.float64(0.23)

Примеры из галереи

Оценивание разреженной обратной ковариационной матрицы