ShrunkCovariance#

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

Kovarianz-Schätzer mit Schrumpfung.

Lesen Sie mehr im Benutzerhandbuch.

Parameter:
store_precisionbool, Standard=True

Gibt an, ob die geschätzte Präzision gespeichert wird.

assume_centeredbool, Standard=False

Wenn True, werden die Daten vor der Berechnung nicht zentriert. Nützlich bei der Arbeit mit Daten, deren Mittelwert fast, aber nicht exakt Null ist. Wenn False, werden die Daten vor der Berechnung zentriert.

shrinkagefloat, default=0.1

Koeffizient in der konvexen Kombination, die zur Berechnung der geschrumpften Schätzung verwendet wird. Bereich ist [0, 1].

Attribute:
covariance_ndarray der Form (n_features, n_features)

Geschätzte Kovarianzmatrix

location_ndarray der Form (n_features,)

Geschätzter Ort, d.h. der geschätzte Mittelwert.

precision_ndarray der Form (n_features, n_features)

Geschätzte inverse Pseudomatrix. (nur gespeichert, wenn store_precision True ist)

n_features_in_int

Anzahl der während des fits gesehenen Merkmale.

Hinzugefügt in Version 0.24.

feature_names_in_ndarray mit Form (n_features_in_,)

Namen der während fit gesehenen Merkmale. Nur definiert, wenn X Merkmalnamen hat, die alle Zeichenketten sind.

Hinzugefügt in Version 1.0.

Siehe auch

EllipticEnvelope

Objekt zur Erkennung von Ausreißern in einem Gauß'schen Datensatz.

EmpiricalCovariance

Maximale Likelihood Kovarianz-Schätzer.

GraphicalLasso

Schätzung der dünnen Kovarianz mit einem l1-penalisierten Schätzer.

GraphicalLassoCV

Sparse inverse Kovarianz mit kreuzvalidierter Wahl des l1-Penalties.

LedoitWolf

LedoitWolf-Schätzer.

MinCovDet

Minimum Covariance Determinant (robuster Schätzer der Kovarianz).

OAS

Oracle Approximating Shrinkage Estimator.

Anmerkungen

Die regularisierte Kovarianz ist gegeben durch

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

wobei mu = Spur(cov) / n_features

Beispiele

>>> 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])
error_norm(comp_cov, norm='frobenius', scaling=True, squared=True)[Quelle]#

Berechnet den mittleren quadratischen Fehler zwischen zwei Kovarianzschätzern.

Parameter:
comp_covarray-like der Form (n_features, n_features)

Die zu vergleichende Kovarianz.

norm{„frobenius“, „spectral“}, Standard=„frobenius“

Die Art der Norm, die zur Berechnung des Fehlers verwendet wird. Verfügbare Fehlertypen: - „frobenius“ (Standard): sqrt(tr(A^t.A)) - „spectral“: sqrt(max(Eigenwerte(A^t.A))), wobei A der Fehler ist (comp_cov - self.covariance_).

scalingbool, Standard=True

Wenn True (Standard), wird die quadrierte Fehlernorm durch n_features geteilt. Wenn False, wird die quadrierte Fehlernorm nicht skaliert.

squaredbool, Standard=True

Ob die quadrierte Fehlernorm oder die Fehlernorm berechnet werden soll. Wenn True (Standard), wird die quadrierte Fehlernorm zurückgegeben. Wenn False, wird die Fehlernorm zurückgegeben.

Gibt zurück:
resultfloat

Der mittlere quadratische Fehler (im Sinne der Frobenius-Norm) zwischen self und comp_cov Kovarianzschätzern.

fit(X, y=None)[Quelle]#

Trainiert das geschrumpfte Kovarianzmodell mit X.

Parameter:
Xarray-like der Form (n_samples, n_features)

Trainingsdaten, wobei n_samples die Anzahl der Stichproben und n_features die Anzahl der Merkmale ist.

yIgnoriert

Wird nicht verwendet, ist aber aus Gründen der API-Konsistenz per Konvention vorhanden.

Gibt zurück:
selfobject

Gibt die Instanz selbst zurück.

get_metadata_routing()[Quelle]#

Holt das Metadaten-Routing dieses Objekts.

Bitte prüfen Sie im Benutzerhandbuch, wie der Routing-Mechanismus funktioniert.

Gibt zurück:
routingMetadataRequest

Ein MetadataRequest, der Routing-Informationen kapselt.

get_params(deep=True)[Quelle]#

Holt Parameter für diesen Schätzer.

Parameter:
deepbool, default=True

Wenn True, werden die Parameter für diesen Schätzer und die enthaltenen Unterobjekte, die Schätzer sind, zurückgegeben.

Gibt zurück:
paramsdict

Parameternamen, zugeordnet ihren Werten.

get_precision()[Quelle]#

Getter für die Präzisionsmatrix.

Gibt zurück:
precision_array-like der Form (n_features, n_features)

Die Präzisionsmatrix, die dem aktuellen Kovarianzobjekt zugeordnet ist.

mahalanobis(X)[Quelle]#

Berechnet die quadrierten Mahalanobis-Abstände gegebener Beobachtungen.

Ein detailliertes Beispiel dafür, wie Ausreißer den Mahalanobis-Abstand beeinflussen, finden Sie unter Robuste Kovarianzschätzung und die Relevanz von Mahalanobis-Abständen.

Parameter:
Xarray-like der Form (n_samples, n_features)

Die Beobachtungen, deren Mahalanobis-Abstände wir berechnen. Es wird davon ausgegangen, dass die Beobachtungen aus derselben Verteilung stammen wie die in fit verwendeten Daten.

Gibt zurück:
distndarray der Form (n_samples,)

Quadrierte Mahalanobis-Abstände der Beobachtungen.

score(X_test, y=None)[Quelle]#

Berechnet die Log-Wahrscheinlichkeit von X_test unter dem geschätzten Gaußschen Modell.

Das Gaußsche Modell ist definiert durch seinen Mittelwert und seine Kovarianzmatrix, die jeweils durch self.location_ und self.covariance_ dargestellt werden.

Parameter:
X_testarray-like der Form (n_samples, n_features)

Testdaten, deren Wahrscheinlichkeit wir berechnen, wobei n_samples die Anzahl der Stichproben und n_features die Anzahl der Merkmale ist. X_test wird angenommen, aus derselben Verteilung zu stammen wie die in fit verwendeten Daten (einschließlich Zentrierung).

yIgnoriert

Wird nicht verwendet, ist aber aus Gründen der API-Konsistenz per Konvention vorhanden.

Gibt zurück:
resfloat

Die Log-Wahrscheinlichkeit von X_test mit self.location_ und self.covariance_ als Schätzern für den Mittelwert und die Kovarianzmatrix des Gaußschen Modells.

set_params(**params)[Quelle]#

Setzt die Parameter dieses Schätzers.

Die Methode funktioniert sowohl bei einfachen Schätzern als auch bei verschachtelten Objekten (wie Pipeline). Letztere haben Parameter der Form <component>__<parameter>, so dass es möglich ist, jede Komponente eines verschachtelten Objekts zu aktualisieren.

Parameter:
**paramsdict

Schätzer-Parameter.

Gibt zurück:
selfestimator instance

Schätzer-Instanz.