LedoitWolf#

class sklearn.covariance.LedoitWolf(*, store_precision=True, assume_centered=False, block_size=1000)[源代码]#

LedoitWolf估计。

Ledoit-Wolf是一种特殊的收缩形式，其中收缩系数是使用O计算的。勒多伊特和M. Wolf的公式如“大维度协方差矩阵的良好条件估计”中所述，Ledoit和Wolf，《多元分析杂志》，第88卷，第2期，2004年2月，第365-411页。

阅读更多的 User Guide .

参数:

store_precision布尔，默认=True: 指定是否存储估计的精度。
assume_centered布尔，默认=假: 如果为True，则数据在计算前不会集中。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False（默认值），数据将在计算前居中。
block_sizeint，默认=1000: 协方差矩阵在Ledoit-Wolf估计期间将被拆分成的块大小。这纯粹是内存优化，不影响结果。

属性:

covariance_形状的nd数组（n_features，n_features）: 估计的协方差矩阵。
location_形状的nd数组（n_features，）: 估计位置，即估计平均值。
precision_形状的nd数组（n_features，n_features）: 估计的伪逆矩阵。（仅在store_precision为True时才存储）
shrinkage_浮子: 用于计算缩小估计值的凸组合中的系数。范围 [0, 1] .
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

EllipticEnvelope: 用于检测高斯分布数据集中异常值的对象。
EmpiricalCovariance: 最大似然协方差估计量。
GraphicalLasso: Sparse inverse covariance estimation with an l1-penalized estimator.
GraphicalLassoCV: 具有l1罚分的交叉验证选择的稀疏逆协方差。
MinCovDet: 最小协方差决定因素（协方差的稳健估计量）。
OAS: Oracle近似收缩估计。
ShrunkCovariance: 具有收缩的协方差估计量。

注意到

正规化协方差是：

（1 -收缩） * cov + shrinkage * mo * NP. identification（n_features）

其中μ = Trace（cov）/ n_features和收缩率由Ledoit和Wolf公式给出（请参阅参考文献）

引用

“大维度协方差矩阵的良好条件估计”，Ledoit和Wolf，《多元分析杂志》，第88卷，第2期，2004年2月，第365-411页。

示例

>>> import numpy as np
>>> from sklearn.covariance import LedoitWolf
>>> real_cov = np.array([[.4, .2],
...                      [.2, .8]])
>>> np.random.seed(0)
>>> X = np.random.multivariate_normal(mean=[0, 0],
...                                   cov=real_cov,
...                                   size=50)
>>> cov = LedoitWolf().fit(X)
>>> cov.covariance_
array([[0.4406..., 0.1616...],
       [0.1616..., 0.8022...]])
>>> cov.location_
array([ 0.0595... , -0.0075...])

另见收缩协方差估计：LedoitWolf vs OAS和最大似然以获取更详细的示例。

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)[源代码]#

将Ledoit-Wolf缩小协方差模型与X进行匹配。

参数:

X形状类似阵列（n_samples，n_features）: 训练数据，在哪里 n_samples 是样本数量和 n_features 是功能的数量。
y忽视: 未使用，按照惯例，为了API一致性而存在。

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。

返回:

routingMetadataRequest: A MetadataRequest 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。