Python sklearn GraphicalLasso用法及代码示例

本文简要介绍python语言中 sklearn.covariance.GraphicalLasso 的用法。

用法:

class sklearn.covariance.GraphicalLasso(alpha=0.01, *, mode='cd', tol=0.0001, enet_tol=0.0001, max_iter=100, verbose=False, assume_centered=False)

使用 l1 惩罚估计器的稀疏逆协方差估计。

在用户指南中阅读更多信息。

参数：

alpha：浮点数，默认=0.01

正则化参数：alpha越高，正则化越多，逆协方差越稀疏。范围是(0，inf]。

mode：{‘cd’, ‘lars’}，默认='cd'

要使用的 Lasso 求解器：坐标下降或 LARS。将 LARS 用于非常稀疏的底层图，其中 p > n。在其他地方更喜欢 cd ，它在数值上更稳定。

tol：浮点数，默认=1e-4

声明收敛的容差：如果对偶间隙低于此值，则停止迭代。范围是(0，inf]。

enet_tol：浮点数，默认=1e-4

用于计算下降方向的弹性网络求解器的容差。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 mode='cd'。范围是(0，inf]。

max_iter：整数，默认=100

最大迭代次数。

verbose：布尔，默认=假

如果 verbose 为 True，则在每次迭代时绘制目标函数和对偶间隙。

assume_centered：布尔，默认=假

如果为 True，则数据在计算之前不居中。在处理平均值几乎为零但不完全为零的数据时很有用。如果为 False，则数据在计算之前居中。

属性：

location_：ndarray 形状 (n_features,)

估计位置，即估计平均值。

covariance_：ndarray 形状(n_features，n_features)

估计的协方差矩阵

precision_：ndarray 形状(n_features，n_features)

估计的伪逆矩阵。

n_iter_：int

运行的迭代次数。

n_features_in_：int

拟合期间看到的特征数。

feature_names_in_：ndarray 形状(n_features_in_，)

拟合期间看到的特征名称。仅当 X 具有全为字符串的函数名称时才定义。

例子：

>>> import numpy as np
>>> from sklearn.covariance import GraphicalLasso
>>> 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 = GraphicalLasso().fit(X)
>>> np.around(cov.covariance_, decimals=3)
array([[0.816, 0.049, 0.218, 0.019],
       [0.049, 0.364, 0.017, 0.034],
       [0.218, 0.017, 0.322, 0.093],
       [0.019, 0.034, 0.093, 0.69 ]])
>>> np.around(cov.location_, decimals=3)
array([0.073, 0.04 , 0.038, 0.143])