ShrunkCovariance

classsklearn.covariance.ShrunkCovariance(*, store_precision=True, assume_centered=False, shrinkage=0.1)[source]

Оцениватель ковариации со сжатием.

Подробнее см. в руководстве пользователя.

Параметры:

store_precisionbool, по умолчанию=True

Указывает, следует ли сохранять оценённую матрицу точности.

assume_centeredbool, по умолчанию=False

Если True, данные не будут центрироваться перед вычислением. Это полезно при работе с данными, среднее значение которых почти, но не в точности равно нулю. Если False, данные будут центрироваться перед вычислением.

shrinkagefloat, по умолчанию=0.1

Коэффициент выпуклой комбинации, используемой для вычисления оценки со сжатием. Диапазон значений — [0, 1].

Атрибуты:

covariance_ndarray формы (n_features, n_features)

Оценённая матрица ковариации

location_ndarray формы (n_features,)

Оценённое положение, то есть оценённое среднее значение.

precision_ndarray формы (n_features, n_features)

Оценённая псевдообратная матрица. (Сохраняется, только если store_precision равно True.)

n_features_in_int

Количество признаков, обнаруженных при вызове fit.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Названия признаков, обнаруженных при вызове fit. Определяется, только если X содержит названия признаков, представленные строками.

Добавлено в версии 1.0.

См. также

EllipticEnvelope

Объект для обнаружения выбросов в наборе данных с гауссовым распределением.

EmpiricalCovariance

Оцениватель ковариации методом максимального правдоподобия.

GraphicalLasso

Разреженная оценка обратной ковариации с оценивателем, использующим штраф l1.

GraphicalLassoCV

Разреженная оценка обратной ковариации с выбором штрафа l1 посредством кросс-валидации.

LedoitWolf

Оцениватель LedoitWolf.

MinCovDet

Минимальный определитель ковариации (робастный оцениватель ковариации).

OAS

Оцениватель сжимающей оценки, аппроксимирующей оракул (OAS).

Примечания

Регуляризованная ковариация задаётся выражением:

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

где mu = trace(cov) / n_features

Примеры

>>> import numpy as np
>>> from sklearn.covariance import ShrunkCovariance
>>> 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 = ShrunkCovariance().fit(X)
>>> cov.covariance_
array([[0.7387, 0.2536],
       [0.2536, 0.4110]])
>>> cov.location_
array([0.0622, 0.0193])

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

Вычисляет среднеквадратичную ошибку между двумя оценивателями 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 — (comp_cov - self.covariance_) ошибки.

scalingbool, по умолчанию=True

Если True (по умолчанию), квадрат нормы ошибки делится на n_features. Если False, квадрат нормы ошибки не масштабируется.

squaredbool, по умолчанию=True

Определяет, вычислять ли квадрат нормы ошибки или норму ошибки. Если True (по умолчанию), возвращается квадрат нормы ошибки. Если False, возвращается норма ошибки.

Возвращает:

resultfloat

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

fit(X, y=None)[source]

Обучает модель ковариации со сжатием на данных X.

Параметры:

Xarray-like формы (n_samples, n_features)

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

yИгнорируется

Не используется; параметр предусмотрен по соглашению для согласованности API.

Возвращает:

selfobject

Возвращает сам экземпляр.

get_metadata_routing()[source]

Получает настройки маршрутизации метаданных этого объекта.

Описание работы механизма маршрутизации см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий сведения о маршрутизации.

get_params(deep=True)[source]

Получает параметры этого оценивателя.

Параметры:

deepbool, по умолчанию=True

Если True, возвращает параметры этого оценивателя и содержащихся в нём подобъектов, являющихся оценивателями.

Возвращает:

paramsdict

Названия параметров, сопоставленные их значениям.

get_precision()[source]

Возвращает матрицу точности.

Возвращает:

precision_array-like формы (n_features, n_features)

Матрица точности, соответствующая текущему объекту ковариации.

mahalanobis(X)[source]

Вычисляет квадраты расстояний Махаланобиса для заданных наблюдений.

Подробный пример влияния выбросов на расстояние Махаланобиса см. в разделе Робастная оценка ковариации и значимость расстояний Махаланобиса.

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, использованные при вызове fit.

Возвращает:

distndarray формы (n_samples,)

Квадраты расстояний Махаланобиса для наблюдений.

score(X_test, y=None)[source]

Вычисляет логарифм правдоподобия X_test в рамках оценённой гауссовой модели.

Гауссова модель задаётся средним значением и матрицей ковариации, 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 — количество объектов, а n_features — количество признаков. Предполагается, что X_test взяты из того же распределения, что и данные, использованные при вызове fit (включая центрирование).

yИгнорируется

Не используется; параметр предусмотрен по соглашению для согласованности API.

Возвращает:

resfloat

Логарифм правдоподобия X_test, где self.location_ и self.covariance_ используются соответственно как оценки среднего значения и матрицы ковариации гауссовой модели.

set_params(**params)[source]

Задаёт параметры этого оценивателя.

Метод работает как с простыми оценивателями, так и с вложенными объектами (например, Pipeline). Параметры последних имеют вид <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценивателя.

Возвращает:

selfэкземпляр оценивателя

Экземпляр оценивателя.

Примеры из галереи

Оценка ковариации со сжатием: LedoitWolf, OAS и максимальное правдоподобие

Выбор модели с помощью вероятностного анализа главных компонент и факторного анализа (FA)