Python sklearn ShrunkCovariance用法及代碼示例

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

用法:

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

具有收縮的協方差估計器。

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，則在計算之前數據不會居中。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，則數據將在計算之前居中。

shrinkage：浮點數，默認=0.1

用於計算收縮估計的凸組合中的係數。範圍是 [0, 1]。

屬性：

covariance_：ndarray 形狀(n_features，n_features)

估計的協方差矩陣

location_：ndarray 形狀 (n_features,)

估計位置，即估計平均值。

precision_：ndarray 形狀(n_features，n_features)

估計的偽逆矩陣。 (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。

注意：

正則化協方差由下式給出：

(1 - 收縮) * cov + 收縮 * 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...])