图形拉索CV#

class sklearn.covariance.GraphicalLassoCV(*, alphas=4, n_refinements=4, cv=None, tol=0.0001, enet_tol=0.0001, max_iter=100, mode='cd', n_jobs=None, verbose=False, eps=np.float64(2.220446049250313e-16), assume_centered=False)[源代码]#

稀疏逆协方差w/l1罚分的交叉验证选择。

请参阅术语表条目 cross-validation estimator .

阅读更多的 User Guide .

在 v0.20 版本发生变更: GraphLassoCV已重命名为GraphicalLassoCV

参数:

alphasint或类似数组的形状（n_alphas，），dype =float，默认=4

如果给定一个整数，它会固定阿尔法网格上要使用的点的数量。如果给出了列表，它就会给出要使用的网格。有关更多详细信息，请参阅类文档字符串中的注释。范围 [1, inf) for an integer. Range is (0, inf] 对于类似阵列的漂浮物。

n_refinementsint，默认=4

网格细化的次数。如果传递了显式的alpha值，则不使用。范围是[1，inf）。

cvint，交叉验证生成器或可迭代，默认=无

确定交叉验证拆分策略。简历的可能输入包括：

无，若要使用默认的5重交叉验证，
integer，用于指定折叠次数。
CV splitter ,
可迭代产出（训练、测试）分裂为索引数组。

对于integer/Non-输入 KFold 采用了

指 User Guide 这里可以使用的各种交叉验证策略。

在 0.20 版本发生变更: cv 如果无从3倍更改为5倍，则默认值。

tolfloat，默认= 1 e-4

声明收敛的容差：如果对偶间隙低于此值，则停止迭代。范围为（0，inf]。

enet_tolfloat，默认= 1 e-4

用于计算下降方向的弹性网解算器的容差。此参数控制给定列更新的搜索方向的准确性，而不是总体参数估计的准确性。仅用于模式=' CD '。范围为（0，inf]。

max_iterint，默认=100

最大迭代次数。

mode' CD '，'，默认=' CD '

要使用的Lasso解算器：坐标下降或LARS。将LARS用于非常稀疏的基础图形，其中特征数量大于样本数量。其他地方更喜欢数字上更稳定的CD。

n_jobsint，默认=无

要并行运行的作业数。 None 意思是1，除非在a中 joblib.parallel_backend 上下文 -1 意味着使用所有处理器。看到 Glossary 了解更多详细信息。

在 v0.20 版本发生变更: n_jobs 默认值从1更改为无

verbose布尔，默认=假

如果verbose为True，则在每次迭代时打印目标函数和对偶间隙。

epsfloat，默认=eps

Cholesky对角线因子计算中的机器精度正规化。对于条件非常恶劣的系统，请增加这一比例。默认值为 np.finfo(np.float64).eps .

Added in version 1.3.

assume_centered布尔，默认=假

如果为True，则数据在计算前不居中。在处理均值几乎为零但不完全为零的数据时很有用。如果为假，则在计算之前将数据集中。

属性:

location_形状的nd数组（n_features，）

估计位置，即估计平均值。

covariance_形状的nd数组（n_features，n_features）

估计的协方差矩阵。

precision_形状的nd数组（n_features，n_features）

估计精度矩阵（逆协方差）。

costs_（objective，dual_gap）对列表

每次迭代时目标函数和双重差距的值列表。仅在Return_costs为True时返回。

Added in version 1.3.

alpha_浮子

已选择处罚参数。

cv_results_恩德雷法令

带有钥匙的法令：

阿尔法形状的nd数组（n_alphas，）: 探索了所有处罚参数。
split（k）_Test_score形状的nd数组（n_alphas，）: 第（k）次遗漏数据的日志似然评分。

Added in version 1.0.
mean_test_score形状的nd数组（n_alphas，）: 折痕上得分的平均值。

Added in version 1.0.
std_test_score形状的nd数组（n_alphas，）: 折痕分数的标准差。

Added in version 1.0.

n_iter_int

为最佳Alpha运行的迭代次数。

n_features_in_int

期间看到的功能数量 fit .

Added in version 0.24.

feature_names_in_ ：nd形状数组 (n_features_in_ ,)nd数组形状（

Names of features seen during fit. Defined only when X has feature names that are all strings.

Added in version 1.0.

参见

graphical_lasso: L1-惩罚协方差估计量。
GraphicalLasso: Sparse inverse covariance estimation with an l1-penalized estimator.

注意到

寻找最佳惩罚参数 (alpha ）是在迭代细化的网格上完成的：首先计算网格上的交叉验证分数，然后以最大值为中心新的细化网格，等等。

这里面临的挑战之一是求解器可能无法收敛到条件良好的估计。的对应值 alpha 然后出现缺失值，但最佳值可能接近这些缺失值。

在 fit ，曾经是最好的参数 alpha 通过交叉验证找到，使用整个训练集再次拟合模型。

示例

>>> import numpy as np
>>> from sklearn.covariance import GraphicalLassoCV
>>> true_cov = np.array([[0.8, 0.0, 0.2, 0.0],
...                      [0.0, 0.4, 0.0, 0.0],
...                      [0.2, 0.0, 0.3, 0.1],
...                      [0.0, 0.0, 0.1, 0.7]])
>>> np.random.seed(0)
>>> X = np.random.multivariate_normal(mean=[0, 0, 0, 0],
...                                   cov=true_cov,
...                                   size=200)
>>> cov = GraphicalLassoCV().fit(X)
>>> np.around(cov.covariance_, decimals=3)
array([[0.816, 0.051, 0.22 , 0.017],
       [0.051, 0.364, 0.018, 0.036],
       [0.22 , 0.018, 0.322, 0.094],
       [0.017, 0.036, 0.094, 0.69 ]])
>>> np.around(cov.location_, decimals=3)
array([0.073, 0.04 , 0.038, 0.143])

error_norm(comp_cov, norm='frobenius', scaling=True, squared=True)[源代码]#

计算两个协方差估计量之间的均方误差。

参数:

comp_cov形状类似阵列（n_features，n_features）: 要比较的协方差。
norm{“frobenius”，“spectral”}，default=“frobenius”: 用于计算误差的范数类型。可用的错误类型：- 'frobenius'（默认）：sqrt（tr（A^t.A））- 'spectral'：sqrt（max（eigenvalues（A^t.A））其中A是错误 (comp_cov - self.covariance_) .
scaling布尔，默认=True: 如果为True（默认），则将误差平方规范除以n_features。如果为假，则不会重新调整误差平方规范。
squared布尔，默认=True: 是计算平方误差规范还是误差规范。如果为True（默认），则返回平方误差规范。如果为假，则返回错误规范。

返回:

result浮子: 之间的均方误差（在Frobenius范数的意义上） self 和 comp_cov 协方差估计量

fit(X, y=None, **params)[源代码]#

将GraphicalLasso协方差模型与X匹配。

参数:

X形状类似阵列（n_samples，n_features）: 计算协方差估计值的数据。
y忽视: 未使用，按照惯例，为了API一致性而存在。
**paramsdict，默认=无: 要传递给CV拆分器和cross_val_score函数的参数。

Added in version 1.5: 仅在以下情况下可用 enable_metadata_routing=True ，可以使用 sklearn.set_config(enable_metadata_routing=True) .看到 Metadata Routing User Guide 了解更多详细信息。

返回:

self对象: 返回实例本身。

get_metadata_routing()[源代码]#

获取此对象的元数据路由。

请检查 User Guide 关于路由机制如何工作。

Added in version 1.5.

返回:

routingMetadataRouter: A MetadataRouter 封装路由信息。

get_params(deep=True)[源代码]#

获取此估计器的参数。

参数:

deep布尔，默认=True: 如果为True，将返回此估计量和包含的作为估计量的子对象的参数。

返回:

paramsdict: 参数名称映射到其值。

get_precision()[源代码]#

精确矩阵的收集器。

返回:

precision_形状类似阵列（n_features，n_features）: 与当前协方差对象关联的精度矩阵。

mahalanobis(X)[源代码]#

计算给定观测值的平方马哈拉诺比斯距离。

参数:

X形状类似阵列（n_samples，n_features）: 我们计算的观测结果，即Mahalanobis距离。假设观察值是从与用于匹配的数据相同的分布中得出的。

返回:

dist形状的nd数组（n_samples，）: 观测结果的马哈拉诺比斯距离平方。

score(X_test, y=None)[源代码]#

计算的log似然 X_test 根据高斯模型估计。

高斯模型由其均值和协方差矩阵定义，分别表示为： self.location_ 和 self.covariance_ .

参数:

X_test形状类似阵列（n_samples，n_features）: 我们计算其可能性的测试数据，其中 n_samples 是样本数量和 n_features 是功能的数量。 X_test 假设是从与适合（包括定中心）中使用的数据相同的分布中得出的。
y忽视: 未使用，按照惯例，为了API一致性而存在。

返回:

res浮子: 的对数似然 X_test 与 self.location_ 和 self.covariance_ 分别作为高斯模型均值和协方差矩阵的估计量。

set_params(**params)[源代码]#

设置此估计器的参数。

该方法适用于简单估计器以及嵌套对象（例如 Pipeline ).后者具有以下形式的参数 <component>__<parameter> 以便可以更新嵌套对象的每个组件。

参数:

**paramsdict: 估计参数。

返回:

self估计器实例: 估计实例。