MinCovDet

classsklearn.covariance.MinCovDet(*, store_precision=True, assume_centered=False, support_fraction=None, random_state=None)[source]

Минимальное ковариационное определитель (MCD): устойчивый оценочный ковариации.

Оценщик ковариации минимального определителя ковариации предназначен для применения к гауссовым распределённым данным, но может быть также применимым к данным, полученным из унимодального, симметричного распределения. Он не предназначен для использования с многомодальными данными (алгоритм, используемый для подгонки объекта MinCovDet, вероятно, потерпит неудачу в таком случае). Следует рассмотреть методы проекционного поиска для работы с многомодальными наборами данных.

Подробнее см. в Руководстве пользователя.

Параметры:

store_precisionbool, по умолчанию=True

Указывает, хранится ли оценочная точность.

assume_centeredbool, по умолчанию=False

Если True, вычисляется область устойчивого расположения и оценки ковариации, и оценка ковариации пересчитывается из неё без центрирования данных. Полезно для работы с данными, среднее значение которых существенно равно нулю, но не точно равно нулю. Если False, устойчивое расположение и ковариация непосредственно вычисляются с помощью алгоритма FastMCD без дополнительной обработки.

support_fractionfloat, по умолчанию=None

Пропорция точек, которые должны быть включены в область исходной оценки MCD. По умолчанию None, что подразумевает использование минимального значения support_fraction в алгоритме: (n_samples + n_features + 1) / 2 * n_samples. Параметр должен быть в диапазоне (0, 1].

random_stateint, RandomState instance или None, по умолчанию=None

Определяет генератор псевдослучайных чисел для перемешивания данных. Передайте целое число для воспроизводимых результатов при нескольких вызовах функции. См. Словарь.

Атрибуты:

raw_location_ndarray формы (n_features,)

Исходное устойчивое оцененное расположение до коррекции и перевешивания.

raw_covariance_ndarray формы (n_features, n_features)

Исходная устойчивая оцененная ковариация до коррекции и перевешивания.

raw_support_ndarray формы (n_samples,)

Маска наблюдений, которые были использованы для вычисления исходных устойчивых оценок расположения и формы до коррекции и перевешивания.

location_ndarray формы (n_features,)

Оценённое устойчивое расположение.

covariance_ndarray формы (n_features, n_features)

Оценённая устойчивая матрица ковариации.

precision_ndarray формы (n_features, n_features)

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

support_ndarray формы (n_samples,)

Маска наблюдений, которые были использованы для вычисления устойчивых оценок расположения и формы.

dist_ndarray формы (n_samples,)

Расстояния Махаланобиса набора обучающих данных (по которому вызывается fit).

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлена в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Названия признаков, увиденных во время fit. 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 с максимальным правдоподобием.

GraphicalLasso

Оценки разреженной обратной ковариации с оценщиком с l1-штрафом.

GraphicalLassoCV

Разреженная обратная ковариация с перекрёстной проверкой выбора l1-штрафа.

LedoitWolf

Оценщик LedoitWolf.

OAS

Оценщик сжатия с приближением Oracle.

ShrunkCovariance

Оценщик ковариации сжатия.

Справочные материалы

[Rouseeuw1984]

П. Дж. Руссев. Регрессия наименьшего медианного квадрата. J. Am Stat Ass, 79:871, 1984.

[Rousseeuw]

Быстрый алгоритм для оценки минимального определителя ковариации, 1999, Американская статистическая ассоциация и Американское общество качества, TECHNOMETRICS

[ButlerDavies]

Р. В. Батлер, П. Л. Дейвис и М. Джун, Асимптотика для оценки минимального определителя ковариации, Annals of Statistics, 1993, т. 21, № 3, 1385-1400

Примеры

>>> import numpy as np
>>> from sklearn.covariance import MinCovDet
>>> 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 = MinCovDet(random_state=0).fit(X)
>>> cov.covariance_
array([[0.7411..., 0.2535...],
       [0.2535..., 0.3053...]])
>>> cov.location_
array([0.0813... , 0.0427...])

correct_covariance(data)[source]

Применить поправку к исходным оценкам минимального определителя ковариации.

Коррекция с использованием эмпирического коэффициента коррекции, предложенного Руссевом и Ван Дриссеном в [RVD].

Параметры:

dataarray-like формы (n_samples, n_features)

Матрица данных с p признаками и n образцами. Набор данных должен быть тем, который использовался для вычисления исходных оценок.

Возвращает:

covariance_correctedndarray формы (n_features, n_features)

Исправленная устойчивая оценка ковариации.

Справочные материалы

[RVD]

Быстрый алгоритм для оценки минимального определителя ковариации, 1999, Американская статистическая ассоциация и Американское общество качества, TECHNOMETRICS

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

Вычислить среднеквадратическую ошибку между двумя оценками ковариации.

Параметры:

comp_covдвумерный массив 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 среднеквадратичная ошибка делится на n_features. Если False, нормированная среднеквадратичная ошибка не масштабируется.

squaredbool, по умолчанию=True

Вычислять ли нормированную среднеквадратичную ошибку или норму ошибки. Если True (по умолчанию), возвращается нормированная среднеквадратичная ошибка. Если False, возвращается норма ошибки.

Возвращает:

resultfloat

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

fit(X, y=None)[source]

Обучение с использованием алгоритма FastMCD.

Параметры:

Xдвумерный массив формы (n_samples, n_features)

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

yИгнорируется

Не используется, присутствует для соответствия API.

Возвращает:

selfобъект

Возвращает сам экземпляр.

get_metadata_routing()[source]

Получение маршрутизации метаданных для этого объекта.

См. Руководство пользователя для получения информации о том, как работает механизм маршрутизации.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[source]

Получение параметров данного оценщика.

Параметры:

deepbool, по умолчанию=True

Если True, вернет параметры этого оценщика и содержащихся в нём под-объектов-оценщиков.

Возвращает:

paramsdict

Имена параметров сопоставлены с их значениями.

get_precision()[source]

Получение матрицы обратной ковариации.

Возвращает:

precision_двумерный массив формы (n_features, n_features)

Матрица обратной ковариации, связанная с текущим объектом ковариации.

mahalanobis(X)[source]

Вычисление квадратичных расстояний Махаланобиса заданных наблюдений.

Параметры:

Xдвумерный массив формы (n_samples, n_features)

Наблюдения, для которых мы вычисляем расстояния Махаланобиса. Предполагается, что наблюдения взяты из того же распределения, что и данные, используемые в fit.

Возвращает:

distодномерный массив формы (n_samples,)

Квадраты расстояний Махаланобиса наблюдений.

reweight_covariance(data)[source]

Перевзвешивание исходных оценок минимального определителя ковариации.

Перевзвешивание наблюдений с использованием метода Руссевье (эквивалентно удалению выбросов из набора данных перед вычислением оценки местоположения и ковариации), описанного в [RVDriessen].

Параметры:

dataдвумерный массив формы (n_samples, n_features)

Матрица данных с p признаками и n выборками. Набор данных должен быть тем, который использовался для вычисления исходных оценок.

Возвращает:

location_reweightedодномерный массив формы (n_features,)

Перевзвешенная оценка местоположения.

covariance_reweightedдвумерный массив формы (n_features, n_features)

Перевзвешенная оценка ковариации.

support_reweightedодномерный массив формы (n_samples,), тип=bool

Маска наблюдений, которые были использованы для вычисления перевзвешенных оценок местоположения и ковариации.

Ссылки

[RVDriessen]

Быстрый алгоритм для оценки минимального определителя ковариации, 1999 г., Американская статистическая ассоциация и Американское общество качества, TECHNOMETRICS

score(X_test, y=None)[source]

Вычислить логарифмическое правдоподобие X_test в соответствии с оценённой гауссовой моделью.

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

Параметры:

X_testarray-like of shape (n_samples, n_features)

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

yИгнорируется

Не используется, присутствует для соответствия API по соглашению.

Возвращает:

resfloat

Логарифмическое правдоподобие X_test с использованием self.location_ и self.covariance_ в качестве оценок среднего значения и ковариационной матрицы гауссовой модели соответственно.

set_params(**params)[source]

Установить параметры данного 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.

Примеры из галереи

Устойчивая оценка ковариации и актуальность расстояний Махаланобиса

Устойчивая оценка ковариации против эмпирической оценки