sklearn.covariance.GraphicalLasso?

class sklearn.covariance.GraphicalLasso(alpha=0.01, *, mode='cd', tol=0.0001, enet_tol=0.0001, max_iter=100, verbose=False, assume_centered=False)

[源碼]

使用l1-懲罰估計量的稀疏逆協方差估計。

在用戶指南中閱讀更多內容。

v0.20版中已更改： GraphLasso已重命名為GraphicalLasso

參數	說明
alpha	float, default=0.01 正則化參數：alpha值越大，正則化程度越高，逆協方差矩陣越稀疏。范圍是（0，inf]。
mode	{‘cd’, ‘lars’}, default=’cd’ 設置lasso求解器：坐標下降（cd）或LARS。LARS用于特征數量大于樣本數量的非常稀疏的情況。在數值更穩定的情況首先cd。
tol	float, default=1e-4 聲明收斂的容差：如果兩次迭代結果的差值低于此值，則停止迭代。范圍是（0，inf]。
enet_tol	float, default=1e-4 用于計算下降方向的彈性網求解器的容差。該參數控制給定列更新搜索方向的準確性，而不是整體參數估計的準確性。僅用于mode ='cd'。范圍是（0，inf]。
max_iter	int, default=100 最大迭代次數。
verbose	bool, default=False 如果設置為True，則在每次迭代時繪制目標函數和對偶間隙。
assume_centered	bool, default=False 如果為True，則在計算之前數據不會中心化，這在處理均值幾乎為零但不完全為零的數據時很有用。如果為False，則在計算之前會將數據中心化。

屬性	說明
location_	ndarray of shape (n_features,) 估計位置，即估計平均值。
covariance_	ndarray of shape (n_features, n_features) 估計協方差矩陣
precision_	ndarray of shape (n_features, n_features) 估計的偽逆矩陣。
n_iter_	int 運行的迭代次數。

另見

graphical_lasso， GraphicalLassoCV

示例

>>> 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])

方法

方法	說明
`error_norm`(self, comp_cov[, norm, scaling, …])	計算兩個協方差估計量之間的均方誤差。
`fit`(self, X[, y])	使GraphicalLasso模型擬合X。
`get_params`(self[, deep])	獲取此估計器的參數。
`get_precision`(self)	獲取精確矩陣。
`mahalanobis`(self, X)	計算給定觀測值的平方馬氏距離。
`score`(self, X_test[, y])	使用`self.covariance_`計算高斯數據集的對數似然值，作為其協方差矩陣的估計量。
`set_params`(self, **params)	設置此估計器的參數。

__init__(self, alpha=0.01, *, mode='cd', tol=0.0001, enet_tol=0.0001, max_iter=100, verbose=False, assume_centered=False)

[源碼]

初始化self. 請參閱help(type(self))以獲得準確的說明。

error_norm(self, comp_cov, norm='frobenius', scaling=True, squared=True)

[源碼]

計算兩個協方差估計量之間的均方誤差。（在Frobenius規范的意義上）。

參數	說明
comp_cov	array-like of shape (n_features, n_features) 要比較的協方差。
norm	{“frobenius”, “spectral”}, default=”frobenius” 用于計算誤差的規范類型，可用的誤差類型: - ‘frobenius’ (default): - ‘spectral’: 這里的A是 `(comp_cov - self.covariance_)`的誤差
scaling	bool, default=True 如果為True（默認），則平方誤差范數除以n_features。如果為False，則不會重新調整平方誤差范數。
squared	bool, default=True 是計算平方誤差范數還是誤差范數。如果為True（默認），則返回平方誤差范數。如果為False，則返回錯誤范數。

返回值	說明
result	float `self`和`comp_cov`協方差估計量之間的均方誤差（按照Frobenius范式的含義）。

fit(self,X,y = None )

[源碼]

擬合GraphicalLasso模型。

參數	說明
X	array-like of shape (n_samples, n_features) 用于計算協方差估計的數據
y	Ignored 未使用，出于API一致性目的而存在。

返回值	說明
self	object

get_params(self, deep=True)

[源碼]

獲取此估計量的參數。

參數	說明
deep	bool, default=True 如果為True，則將返回此估算器與其所包含子對象的參數。

返回值	說明
params	mapping of string to any 參數名稱映射到其值。

get_precision(self)

[源碼]

獲取精確度矩陣

返回值	說明
precision_	array-like of shape (n_features, n_features) 與當前協方差對象關聯的精度矩陣。

mahalanobis(self, X)

[源碼]

計算給定觀測值的平方馬氏距離。

參數	說明
X	array-like of shape (n_samples, n_features) 觀測值，用來計算馬氏距離。假定觀測值與fit中使用的數據來自相同的分布。

返回值	說明
dist	ndarray of shape (n_samples,) 觀測值的平方馬氏距離。

score(self, X_test, y=None)

[源碼]

使用self.covariance_作為協方差矩陣的估計值來計算高斯數據集的對數似然。

參數	說明
X_test	array-like of shape (n_samples, n_features) 計算似然性的測試數據集，其中n_samples是樣本數，n_features是特征數。假定X_test與擬合（包括中心化）使用的數據來自相同的分布。
y	Ignored 未使用，出于API一致性目的而存在。

返回值	說明
res	float 數據集以`self.covariance_`作為其協方差矩陣的估計量的似然性。

set_params(self, **params)

[源碼]

設置此估計器的參數。

該方法適用于簡單的估計器以及嵌套對象（例如管道）。后者具有形式參數<component>__<parameter>以便可以更新嵌套對象的每個組件。

參數	說明
**params	dict 估計器參數。

返回值	參數
self	object 估計器對象。