ShrunkCovariance

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

Оценщик ковариации со сжатием.

Подробнее см. в Руководстве пользователя.

Параметры:

store_precisionbool, по умолчанию=True

Указывает, сохраняется ли вычисленная матрица точности.

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, данные будут центрированы перед вычислением.

shrinkagefloat, по умолчанию=0.1

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

Атрибуты:

covariance_массив формы (n_features, n_features)

Оценённая матрица ковариации

location_массив формы (n_features,)

Оценённое местоположение, т.е. оценённое среднее значение.

precision_массив формы (n_features, n_features)

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

n_features_in_int

Количество признаков, увиденных во время fit.

Добавлена в версии 0.24.

feature_names_in_массив формы (n_features_in_,)

Названия признаков, увиденных во время fit. Определены только тогда, когда X имеет имена признаков, которые все являются строками.

Добавлена в версии 1.0.

См. также

EllipticEnvelope

Объект для обнаружения выбросов в наборе данных с гауссовым распределением.

EmpiricalCovariance

Оценщик ковариации методом максимального правдоподобия.

GraphicalLasso

Оценка обратной ковариационной матрицы с разреженностью с помощью l1-регуляризации.

GraphicalLassoCV

Оценка обратной ковариационной матрицы с разреженностью с помощью перекрёстной проверки для выбора l1-регуляризации.

LedoitWolf

Оценщик Ледоит-Вольфа.

MinCovDet

Минимум определителя ковариации (робастная оценка ковариации).

OAS

Оценщик сжатия, приближающий оракул.

Примечания

Регуляризованная ковариация задаётся как:

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

где mu = след(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]

Вычисление среднеквадратичной 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), среднеквадратичная ошибка в норме Фробениуса делится на n_features. Если False, среднеквадратичная ошибка не масштабируется.

squaredbool, по умолчанию=True

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

Возвращает:

resultfloat

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

fit(X, y=None)[source]

Обучить модель сжатой ковариации на X.

Параметры:

Xarray-like формы (n_samples, n_features)

Обучающие данные, где n_samples — число образцов, а n_features — число признаков.

yИгнорируется

Не используется, присутствует для согласованности API по умолчанию.

Возвращает:

selfобъект

Возвращает сам экземпляр.

get_metadata_routing()[source]

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, проверьте Руководство 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, вернёт параметры этого оценщика и вложенных подобъектов, которые являются оценщиками.

Возвращает:

paramsdict

Имена параметров, сопоставленные со значениями.

get_precision()[source]

Получение матрицы точности.

Возвращает:

precision_array-like формы (n_features, n_features)

Матрица точности, связанная с текущим объектом ковариации.

mahalanobis(X)[source]

Вычислить квадраты расстояний Махаланобиса заданных наблюдений.

Параметры:

Xarray-like формы (n_samples, n_features)

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

Возвращаемое значение:

distndarray формы (n_samples,)

Квадраты расстояний Махаланобиса наблюдений.

score(X_test, y=None)[source]

Вычислить логарифмическую вероятность X_test в соответствии с оцененной гауссовой моделью.

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

Параметры:

X_testarray-like формы (n_samples, n_features)

Данные для тестирования, для которых мы вычисляем вероятность, 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.

Возвращаемое значение:

resfloat

Логарифмическая вероятность X_test с self.location_ и self.covariance_ в качестве оценок среднего значения и матрицы ковариации гауссовой модели соответственно.

set_params(**params)[source]

Установить параметры этого 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.

Возвращаемое значение:

selfэкземпляр оценщика

Экземпляр оценщика.

Примеры из галереи

Оценка ковариации сжатия: LedoitWolf против OAS и максимального правдоподобия

Выбор модели с помощью Probabilistic PCA и Factor Analysis (FA)