MinCovDet

class sklearn.covariance.MinCovDet(*, store_precision=True, assume_centered=False, support_fraction=None, random_state=None)

最小协方差决定因素（MCB）：协方差的稳健估计量。

最小协方差行列式协方差估计量将应用于高斯分布数据，但仍可能与来自单峰对称分布的数据相关。它不适用于多模态数据（在这种情况下，用于拟合MinCovDet对象的算法可能会失败）。应该考虑投影寻踪方法来处理多模态数据集。

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，则计算稳健位置和协方差估计的支持，并从中重新计算协方差估计，而无需对数据进行中心化。对于处理均值明显等于零但不完全为零的数据很有用。如果为假，则使用FastBCD算法直接计算稳健位置和协方差，无需额外处理。

support_fractionfloat，默认=无

包含在原始BCD估计支持中的积分比例。默认为无，这意味着算法中将使用supply_fraction的最小值： (n_samples + n_features + 1) / 2 * n_samples .参数必须在范围（0，1]内。

random_stateint，RandomState实例或无，默认=无

确定用于洗牌数据的伪随机数生成器。传递int以获得跨多个函数调用的可重复结果。看到 Glossary .

属性:

raw_location_形状的nd数组（n_features，）

在校正和重新加权之前的原始鲁棒估计位置。

raw_covariance_形状的nd数组（n_features，n_features）

修正和重新加权之前的原始稳健估计协方差。

raw_support_形状的nd数组（n_samples，）

在修正和重新加权之前，用于计算位置和形状的原始稳健估计的观察结果的掩蔽。

location_形状的nd数组（n_features，）

估计位置稳健。

covariance_形状的nd数组（n_features，n_features）

估计的稳健协方差矩阵。

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）

support_形状的nd数组（n_samples，）

用于计算位置和形状稳健估计的观察结果的面具。

dist_形状的nd数组（n_samples，）

训练集的Mahalanobis距离（在其中 fit 称为）观察。

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。

LedoitWolf

LedoitWolf估计。

OAS

Oracle近似收缩估计。

ShrunkCovariance

具有收缩的协方差估计量。

引用

[Rouseeuw1984]

PJ. seeuw。最小平方回归中位数。J. Am Stat Ass，79：871，1984。

[Rousseeuw]

最小协方差决定性估计量的快速算法，1999年，美国统计协会和美国质量学会，CLARMETRICS

[ButlerDavies]

R. W. Butler, P. L. Davies and M. Jhun, Asymptotics For The Minimum Covariance Determinant Estimator, The Annals of Statistics, 1993, Vol. 21, No. 3, 1385-1400

示例

>>> import numpy as np
>>> from sklearn.covariance import MinCovDet
>>> 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 = MinCovDet(random_state=0).fit(X)
>>> cov.covariance_
array([[0.7411..., 0.2535...],
       [0.2535..., 0.3053...]])
>>> cov.location_
array([0.0813... , 0.0427...])

correct_covariance(data)

对原始最小协方差决定性估计进行修正。

使用Thomseeuw和Van Driessen在 [RVD].

参数:

data形状类似阵列（n_samples，n_features）

数据矩阵，具有p个特征和n个样本。数据集必须是用于计算原始估计的数据集。

返回:

covariance_corrected形状的nd数组（n_features，n_features）

校正稳健协方差估计值。

引用

[RVD]

最小协方差决定性估计量的快速算法，1999年，美国统计协会和美国质量学会，CLARMETRICS

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

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)

使用FastMCD算法拟合最小协方差行列式。

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()

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)

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()

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)

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。

reweight_covariance(data)

重新加权原始最小协方差行列式估计值。

使用Thomseeuw方法（相当于在计算位置和协方差估计之前从数据集中删除外围观察）重新加权观察，中所述 [RVDriessen].

参数:

data形状类似阵列（n_samples，n_features）

数据矩阵，具有p个特征和n个样本。数据集必须是用于计算原始估计的数据集。

返回:

location_reweighted形状的nd数组（n_features，）

重新加权稳健位置估计。

covariance_reweighted形状的nd数组（n_features，n_features）

重新加权稳健协方差估计。

support_reweightednd形状数组（n_samples，），dstyle =bool

用于计算重新加权的稳健位置和协方差估计的观察结果的掩蔽。

引用

[RVDriessen]

最小协方差决定性估计量的快速算法，1999年，美国统计协会和美国质量学会，CLARMETRICS

score(X_test, y=None)

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)

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。