Python tf.compat.v1.distributions.DirichletMultinomial.covariance用法及代碼示例

用法

covariance(
    name='covariance'
)

協方差。

協方差(可能)僅針對非標量事件分布定義。

例如，對於長度 - k 、 vector-valued 分布，計算如下：

Cov[i, j] = Covariance(X_i, X_j) = E[(X_i - E[X_i]) (X_j - E[X_j])]

其中 Cov 是(一批)k x k 矩陣，0 <= (i, j) < k 和 E 表示期望。

或者，對於非向量、多變量分布(例如，matrix-valued、Wishart)，Covariance 應在事件的一些向量化下返回一個(一批)矩陣，即，

Cov[i, j] = Covariance(Vec(X)_i, Vec(X)_j) = [as above]

其中 Cov 是 (batch of) k' x k' 矩陣， 0 <= (i, j) < k' = reduce_prod(event_shape) 和 Vec 是此分布的事件維度的一些函數映射索引到長度索引 - k' 向量。

DirichletMultinomial 的其他文檔：

每個批次成員的協方差定義如下：

Var(X_j) = n * alpha_j / alpha_0 * (1 - alpha_j / alpha_0) *
(n + alpha_0) / (1 + alpha_0)

其中 concentration = alpha 和 total_concentration = alpha_0 = sum_j alpha_j 。

批次中元素之間的協方差定義為：

Cov(X_i, X_j) = -n * alpha_i * alpha_j / alpha_0 ** 2 *
(n + alpha_0) / (1 + alpha_0)