shrunk_covariance

sklearn.covariance.shrunk_covariance(emp_cov, shrinkage=0.1)[source]

Вычисление ковариационных матриц, сжатых по диагонали.

Подробнее см. в Руководстве пользователя.

Параметры:

emp_covarray-like формы (…, n_features, n_features)

Ковариационные матрицы, которые нужно сжать, как минимум двумерный массив.

shrinkagefloat, по умолчанию=0.1

Коэффициент в выпуклой комбинации, используемой для вычисления сжатой оценки. Диапазон [0, 1].

Возвращает:

shrunk_covмассив формы (…, n_features, n_features)

Сжатые ковариационные матрицы.

Примечания

Регуляризованная (сжатая) ковариационная матрица задаётся следующим образом:

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

где mu = trace(cov) / n_features.

Примеры

>>> import numpy as np
>>> from sklearn.datasets import make_gaussian_quantiles
>>> from sklearn.covariance import empirical_covariance, shrunk_covariance
>>> 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)
>>> shrunk_covariance(empirical_covariance(X))
array([[0.73..., 0.25...],
       [0.25..., 0.41...]])