Python sklearn ShrunkCovariance用法及代码示例

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

用法:

class sklearn.covariance.ShrunkCovariance(*, store_precision=True, assume_centered=False, shrinkage=0.1)

具有收缩的协方差估计器。

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，则数据将在计算之前居中。

shrinkage：浮点数，默认=0.1

用于计算收缩估计的凸组合中的系数。范围是 [0, 1]。

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)

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：

正则化协方差由下式给出：

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

其中 mu = trace(cov) /n_features

例子：

>>> import numpy as np
>>> from sklearn.covariance import ShrunkCovariance
>>> 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 = ShrunkCovariance().fit(X)
>>> cov.covariance_
array([[0.7387..., 0.2536...],
       [0.2536..., 0.4110...]])
>>> cov.location_
array([0.0622..., 0.0193...])