Python sklearn GraphicalLasso用法及代碼示例

本文簡要介紹python語言中 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 懲罰估計器的稀疏逆協方差估計。

在用戶指南中閱讀更多信息。

參數：

alpha：浮點數，默認=0.01

正則化參數：alpha越高，正則化越多，逆協方差越稀疏。範圍是(0，inf]。

mode：{‘cd’, ‘lars’}，默認='cd'

要使用的 Lasso 求解器：坐標下降或 LARS。將 LARS 用於非常稀疏的底層圖，其中 p > n。在其他地方更喜歡 cd ，它在數值上更穩定。

tol：浮點數，默認=1e-4

聲明收斂的容差：如果對偶間隙低於此值，則停止迭代。範圍是(0，inf]。

enet_tol：浮點數，默認=1e-4

用於計算下降方向的彈性網絡求解器的容差。此參數控製給定列更新的搜索方向的準確性，而不是總體參數估計的準確性。僅用於 mode='cd'。範圍是(0，inf]。

max_iter：整數，默認=100

最大迭代次數。

verbose：布爾，默認=假

如果 verbose 為 True，則在每次迭代時繪製目標函數和對偶間隙。

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，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)

估計的偽逆矩陣。

n_iter_：int

運行的迭代次數。

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 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])