LedoitWolf

classsklearn.covariance.LedoitWolf(*, store_precision=True, assume_centered=False, block_size=1000)[source]

Оценщик LedoitWolf.

Ledoit-Wolf — это особая форма сжатия, где коэффициент сжатия вычисляется по формуле О. Ледоита и М. Вольфа, как описано в работе «A Well-Conditioned Estimator for Large-Dimensional Covariance Matrices», Ледоит и Вольф, журнал «Journal of Multivariate Analysis», том 88, выпуск 2, февраль 2004 г., страницы 365-411.

Подробнее см. в Руководстве пользователя.

Параметры:

store_precisionbool, по умолчанию=True

Указывает, хранится ли оценочная матрица обратной ковариации.

assume_centeredbool, по умолчанию=False

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

block_sizeint, по умолчанию=1000

Размер блоков, на которые будет разделена матрица ковариации во время оценки Ledoit-Wolf. Это чисто оптимизация памяти и не влияет на результаты.

Атрибуты:

covariance_массив формы (n_features, n_features)

Оцененная матрица ковариации.

location_массив формы (n_features,)

Оценённое местоположение, т.е. оценка среднего значения.

precision_массив формы (n_features, n_features)

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

shrinkage_float

Коэффициент в выпуклой комбинации, используемый для вычисления оценки сжатия. Диапазон [0, 1].

n_features_in_int

Количество признаков, увиденных во время подгонки.

Добавлена в версии 0.24.

feature_names_in_массив формы (n_features_in_,)

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

Добавлена в версии 1.0.

См. также

EllipticEnvelope

Объект для обнаружения выбросов в наборе данных с гауссовым распределением.

EmpiricalCovariance

Оценщик ковариации максимального правдоподобия.

GraphicalLasso

Оценка разреженной обратной ковариации с помощью l1-оценки.

GraphicalLassoCV

Разреженная обратная ковариация с перекрёстной проверкой выбора l1-штрафа.

MinCovDet

Минимальное определитель ковариации (робастный оценщик ковариации).

OAS

Оценщик сжатия, аппроксимирующий Oracle.

ShrunkCovariance

Оценщик ковариации со сжатием.

Примечания

Регуляризованная ковариация:

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

где mu = след(cov) / n_features, а сжатие задаётся по формуле Ледоита и Вольфа (см. ссылки).

Ссылки

«A Well-Conditioned Estimator for Large-Dimensional Covariance Matrices», Ледоит и Вольф, журнал «Journal of Multivariate Analysis», том 88, выпуск 2, февраль 2004 г., страницы 365-411.

Примеры

>>> import numpy as np
>>> from sklearn.covariance import LedoitWolf
>>> real_cov = np.array([[.4, .2],
...                      [.2, .8]])
>>> np.random.seed(0)
>>> X = np.random.multivariate_normal(mean=[0, 0],
...                                   cov=real_cov,
...                                   size=50)
>>> cov = LedoitWolf().fit(X)
>>> cov.covariance_
array([[0.4406..., 0.1616...],
       [0.1616..., 0.8022...]])
>>> cov.location_
array([ 0.0595... , -0.0075...])

См. также Оценка сжатой ковариации: LedoitWolf против OAS и максимального правдоподобия для более подробного примера.

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

Вычисление средней квадратической ошибки между двумя оценщиками ковариации.

Параметры:

comp_covarray-like 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, средняя квадратичная ошибка не масштабируется.

squaredbool, по умолчанию=True

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

Возвращает:

resultfloat

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

fit(X, y=None)[source]

Подгонка модели сжатой ковариации Ledoit-Wolf к X.

Параметры:

Xarray-like формы (n_samples, n_features)

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

yИгнорируется

Не используется, присутствует для согласованности API по соглашению.

Возвращает:

selfobject

Возвращает сам экземпляр.

get_metadata_routing()[source]

Получение маршрутизации метаданных этого объекта.

Пожалуйста, ознакомьтесь с Руководством пользователя о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

MetadataRequest encapsulating routing information.

get_params(deep=True)[source]

Получить параметры этого оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, возвращает 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 с формой (n_features, n_features)

Матрица точности, связанная с текущим объектом ковариации.

mahalanobis(X)[source]

Вычисление квадратов расстояний Махаланобиса заданных наблюдений.

Параметры:

Xarray-like с формой (n_samples, n_features)

Наблюдения, для которых вычисляются расстояния Махаланобиса. Предполагается, что наблюдения взяты из того же распределения, что и данные, использованные в методе fit.

Возвращает:

distndarray с формой (n_samples,)

Квадраты расстояний Махаланобиса наблюдений.

score(X_test, y=None)[source]

Вычисление логарифмической правдоподобия X_test в рамках оценочной гауссовой модели.

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

Параметры:

X_testarray-like с формой (n_samples, n_features)

Тестовые данные, для которых вычисляется правдоподобие, где n_samples — количество выборок, а n_features — количество признаков. X_test предполагается, что они взяты из того же распределения, что и данные, использованные в методе fit (включая центрирование).

yИгнорируется

Не используется, присутствует для согласованности API по умолчанию.

Возвращает:

resfloat

Логарифмическое правдоподобие X_test с self.location_ и self.covariance_ как оценками среднего значения и матрицы ковариаций гауссовой модели соответственно.

set_params(**params)[source]

Установить параметры этого оценщика.

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

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

Примеры из галереи

Оценка Ледоит-Вольф против OAS

Оценивание ковариации с сжатием: Ледоит-Вольф против OAS и максимального правдоподобия

Выбор модели с помощью вероятностного PCA и факторного анализа (FA)