ledoit_wolf_shrinkage#

sklearn.covariance.ledoit_wolf_shrinkage(X, assume_centered=False, block_size=1000)[原始碼]#

估計收縮的 Ledoit-Wolf 共變異數矩陣。

請參閱 使用者指南 以了解更多資訊。

參數:
X形狀為 (n_samples, n_features) 的類陣列

用於計算 Ledoit-Wolf 收縮共變異數的資料。

assume_centered布林值,預設值為 False

如果為 True,則在計算前不會對資料進行中心化。適用於平均值顯著等於零但並不完全為零的資料。如果為 False,則在計算前會對資料進行中心化。

block_size整數,預設值為 1000

共變異數矩陣將被分割成的區塊大小。

傳回:
shrinkage浮點數

用於計算收縮估計的凸組合中的係數。

註解

正規化(收縮)共變異數為

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

其中 mu = trace(cov) / n_features

範例

>>> import numpy as np
>>> from sklearn.covariance import ledoit_wolf_shrinkage
>>> real_cov = np.array([[.4, .2], [.2, .8]])
>>> rng = np.random.RandomState(0)
>>> X = rng.multivariate_normal(mean=[0, 0], cov=real_cov, size=50)
>>> shrinkage_coefficient = ledoit_wolf_shrinkage(X)
>>> shrinkage_coefficient
np.float64(0.23...)