Python sklearn EmpiricalCovariance用法及代碼示例

本文簡要介紹python語言中 sklearn.covariance.EmpiricalCovariance 的用法。

用法:

class sklearn.covariance.EmpiricalCovariance(*, store_precision=True, assume_centered=False)

最大似然協方差估計。

在用戶指南中閱讀更多信息。

參數：

store_precision：布爾，默認=真

指定是否存儲估計的精度。

assume_centered：布爾，默認=假

如果為 True，則數據在計算之前不居中。在處理平均值幾乎為零但不完全為零的數據時很有用。如果為 False(默認)，則數據在計算之前居中。

屬性：

location_：ndarray 形狀 (n_features,)

估計位置，即估計平均值。

covariance_：ndarray 形狀(n_features，n_features)

估計的協方差矩陣

precision_：ndarray 形狀(n_features，n_features)

估計 pseudo-inverse 矩陣。 (僅當store_precision 為真時存儲)

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

例子：

>>> import numpy as np
>>> from sklearn.covariance import EmpiricalCovariance
>>> 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 = EmpiricalCovariance().fit(X)
>>> cov.covariance_
array([[0.7569..., 0.2818...],
       [0.2818..., 0.3928...]])
>>> cov.location_
array([0.0622..., 0.0193...])