Python sklearn LedoitWolf用法及代码示例

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

用法:

class sklearn.covariance.LedoitWolf(*, store_precision=True, assume_centered=False, block_size=1000)

LedoitWolf 估计器。

Ledoit-Wolf 是一种特殊形式的收缩，其中收缩系数使用 O. Ledoit 和 M. Wolf 的公式计算，如“A Well-Conditioned Estimator for Large-Dimensional Covariance Matrices”中所述，Ledoit 和 Wolf，Journal of Multivariate Analysis ，第 88 卷，第 2 期，2004 年 2 月，第 365-411 页。

在用户指南中阅读更多信息。

参数：

store_precision：布尔，默认=真

指定是否存储估计的精度。

assume_centered：布尔，默认=假

如果为 True，则在计算之前数据不会居中。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(默认)，数据将在计算之前居中。

block_size：整数，默认=1000

在其Ledoit-Wolf 估计期间协方差矩阵将被分割成的块的大小。这纯粹是内存优化，不影响结果。

属性：

covariance_：ndarray 形状(n_features，n_features)

估计的协方差矩阵。

location_：ndarray 形状 (n_features,)

估计位置，即估计平均值。

precision_：ndarray 形状(n_features，n_features)

估计的伪逆矩阵。 (仅当store_precision 为真时存储)

shrinkage_：浮点数

用于计算收缩估计的凸组合中的系数。范围是 [0, 1]。

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。

注意：

正则化协方差为：

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

其中 mu = trace(cov) /n_features 和收缩由 Ledoit 和 Wolf 公式给出(参见引用)

参考：

“Large-Dimensional 协方差矩阵的条件良好的估计器”，Ledoit 和 Wolf，《多元分析杂志》，第 88 卷，第 2 期，2004 年 2 月，第 365-411 页。

例子：

>>> 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...])