GraphicalLasso#
- class sklearn.covariance.GraphicalLasso(alpha=0.01, *, mode='cd', covariance=None, tol=0.0001, enet_tol=0.0001, max_iter=100, verbose=False, eps=np.float64(2.220446049250313e-16), assume_centered=False)[原始碼]#
使用 L1 懲罰估計器的稀疏逆共變異數估計。
有關使用範例，請參閱視覺化股票市場結構。
在使用者指南中閱讀更多內容。
在版本 v0.20 中變更：GraphLasso 已重新命名為 GraphicalLasso
- 參數：
- alphafloat，預設值 = 0.01
正規化參數：alpha 越高，正規化程度越高，逆共變異數越稀疏。範圍是 (0, inf]。
- mode{‘cd’, ‘lars’}，預設值 = ‘cd’
要使用的 Lasso 求解器：座標下降法或 LARS。對於非常稀疏的底層圖（其中 p > n），請使用 LARS。其他情況下，首選 cd，因為它在數值上更穩定。
- covariance“precomputed”，預設值 = None
如果 covariance 為 “precomputed”，則
fit中的輸入資料會被假設為共變異數矩陣。如果為None，則會從資料X估計經驗共變異數。在版本 1.3 中新增。
- tolfloat，預設值 = 1e-4
宣告收斂的容差：如果對偶間隙低於此值，則會停止迭代。範圍是 (0, inf]。
- enet_tolfloat，預設值 = 1e-4
用於計算下降方向的彈性網路求解器的容差。此參數控制給定列更新的搜尋方向的準確性，而不是整體參數估計的準確性。僅用於 mode='cd'。範圍是 (0, inf]。
- max_iterint，預設值 = 100
最大迭代次數。
- verbosebool，預設值 = False
如果 verbose 為 True，則會在每次迭代時繪製目標函數和對偶間隙。
- epsfloat，預設值 = eps
在計算 Cholesky 對角因子時的機器精度正規化。對於條件非常差的系統，請增加此值。預設值為
np.finfo(np.float64).eps。在版本 1.3 中新增。
- assume_centeredbool，預設值 = False
如果為 True，則在計算前不會將資料置中。當處理平均值幾乎但不完全為零的資料時很有用。如果為 False，則在計算前會將資料置中。
- 屬性：
- location_形狀為 (n_features,) 的 ndarray
估計位置，即估計平均值。
- covariance_形狀為 (n_features, n_features) 的 ndarray
估計的共變異數矩陣
- precision_形狀為 (n_features, n_features) 的 ndarray
估計的偽逆矩陣。
- n_iter_int
執行的迭代次數。
- costs_(目標, 對偶間隙) 配對的列表
每次迭代時目標函數值和對偶間隙值的列表。僅當 return_costs 為 True 時才會傳回。
在版本 1.3 中新增。
- n_features_in_int
在 fit 期間看到的特徵數量。
在版本 0.24 中新增。
- feature_names_in_形狀為 (
n_features_in_,) 的 ndarray 在 fit 期間看到的特徵名稱。僅當
X具有全部為字串的特徵名稱時，才會定義。在版本 1.0 中新增。
另請參閱
graphical_lassoL1 懲罰共變異數估計器。
GraphicalLassoCV具有交叉驗證選擇 L1 懲罰的稀疏逆共變異數。
範例
>>> 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])
- error_norm(comp_cov, norm='frobenius', scaling=True, squared=True)[原始碼]#
計算兩個共變異數估計器之間的均方誤差。
- 參數：
- comp_cov形狀為 (n_features, n_features) 的類陣列
要與之比較的共變異數。
- norm{“frobenius”, “spectral”}，預設值 = “frobenius”
用於計算誤差的範數類型。可用的誤差類型：- ‘frobenius’ (預設)：sqrt(tr(A^t.A)) - ‘spectral’：sqrt(max(eigenvalues(A^t.A))，其中 A 是誤差
(comp_cov - self.covariance_)。- scalingbool，預設值 = True
如果為 True (預設)，則均方誤差範數除以 n_features。如果為 False，則不會重新縮放均方誤差範數。
- squaredbool，預設值 = True
是否計算均方誤差範數或誤差範數。如果為 True (預設)，則會傳回均方誤差範數。如果為 False，則會傳回誤差範數。
- 傳回值：
- resultfloat
self與comp_cov共變異數估計器之間的均方誤差（在 Frobenius 範數的意義上）。
- fit(X, y=None)[原始碼]#
將 GraphicalLasso 模型擬合到 X。
- 參數：
- X形狀為 (n_samples, n_features) 的類陣列
從中計算共變異數估計值的資料。
- y忽略
不使用，為了 API 一致性而存在。
- 傳回值：
- self物件
傳回實例本身。
- get_metadata_routing()[原始碼]#
取得此物件的中繼資料路由。
請查閱使用者指南以了解路由機制如何運作。
- 傳回值：
- routingMetadataRequest
一個封裝路由資訊的
MetadataRequest。
- get_params(deep=True)[原始碼]#
取得此估算器的參數。
- 參數：
- deepbool, default=True
若為 True，將回傳此估算器以及所包含的子物件（亦為估算器）的參數。
- 傳回值：
- paramsdict
參數名稱對應到其值的字典。
- get_precision()[原始碼]#
取得精確度矩陣的 Getter。
- 傳回值：
- precision_形狀為 (n_features, n_features) 的類陣列
與目前共變異數物件關聯的精確度矩陣。
- mahalanobis(X)[原始碼]#
計算給定觀測值的平方馬氏距離。
- 參數：
- X形狀為 (n_samples, n_features) 的類陣列
我們要計算其馬氏距離的觀測值。假設觀測值是從與 fit 中所用資料相同的分配中抽取出來的。
- 傳回值：
- dist形狀為 (n_samples,) 的 ndarray
觀測值的平方馬氏距離。
- score(X_test, y=None)[原始碼]#
計算在估計的高斯模型下
X_test的對數似然率。高斯模型由其平均值和共變異數矩陣定義，分別由
self.location_和self.covariance_表示。- 參數：
- X_test形狀為 (n_samples, n_features) 的類陣列
我們計算其似然率的測試資料，其中
n_samples是樣本數量，而n_features是特徵數量。 假設X_test是從與 fit 中所用資料相同的分配中抽取出來的 (包括中心化)。- y忽略
不使用，為了 API 一致性而存在。
- 傳回值：
- resfloat
在以
self.location_和self.covariance_作為高斯模型平均值和共變異數矩陣的估算器下，X_test的對數似然率。