EllipticEnvelope#

класс sklearn.covariance.EllipticEnvelope(*, store_precision=True, assume_centered=False, support_fraction=None, contamination=0.1, random_state=None)[источник]#

Объект для обнаружения выбросов в наборе данных с гауссовым распределением.

Подробнее в Руководство пользователя.

Параметры:
store_precisionbool, по умолчанию=True

Указать, хранится ли оцененная точность.

assume_centeredbool, по умолчанию=False

Если True, вычисляется поддержка устойчивых оценок местоположения и ковариации, и оценка ковариации пересчитывается на ее основе без центрирования данных. Полезно для работы с данными, среднее значение которых существенно равно нулю, но не точно нулю. Если False, устойчивые местоположение и ковариация вычисляются напрямую с помощью алгоритма FastMCD без дополнительной обработки.

support_fractionfloat, по умолчанию=None

Доля точек, включаемых в опорное множество исходной оценки MCD. Если None, минимальное значение support_fraction будет использовано в алгоритме: (n_samples + n_features + 1) / 2 * n_samples. Диапазон (0, 1).

contaminationfloat, по умолчанию=0.1

Количество загрязнения набора данных, т.е. доля выбросов в наборе данных. Диапазон (0, 0.5].

random_stateint, экземпляр RandomState или None, по умолчанию=None

образцов в кластере. Средние значения обычно называются "центроидами" кластера; обратите внимание, что они, как правило, не являются точками из Глоссарий.

Атрибуты:
location_ndarray формы (n_features,)

Оцененное устойчивое местоположение.

covariance_ndarray формы (n_features, n_features)

Оцененная робастная ковариационная матрица.

precision_ndarray формы (n_features, n_features)

Оцененная псевдообратная матрица. (сохраняется только если store_precision равен True)

support_ndarray формы (n_samples,)

Маска наблюдений, которые были использованы для вычисления робастных оценок местоположения и формы.

offset_float

Смещение, используемое для определения решающей функции из исходных оценок. У нас есть соотношение: decision_function = score_samples - offset_. Смещение зависит от параметра загрязнения и определяется таким образом, чтобы получить ожидаемое количество выбросов (выборок с функцией решения < 0) при обучении.

Добавлено в версии 0.20.

raw_location_ndarray формы (n_features,)

Необработанная робастная оценка местоположения до коррекции и повторного взвешивания.

1.3. Кернельная гребневая регрессияndarray формы (n_features, n_features)

Необработанная робастная оценка ковариации до коррекции и перевзвешивания.

raw_support_ndarray формы (n_samples,)

Маска наблюдений, которые были использованы для вычисления сырых устойчивых оценок местоположения и формы, до коррекции и повторного взвешивания.

dist_ndarray формы (n_samples,)

Расстояния Махаланобиса обучающего набора (на котором fit называется) наблюдения.

n_features_in_int

Количество признаков, замеченных во время fit.

Добавлено в версии 0.24.

feature_names_in_ndarray формы (n_features_in_,)

Имена признаков, наблюдаемых во время fit. Определено только когда X имеет имена признаков, которые все являются строками.

Добавлено в версии 1.0.

Смотрите также

EmpiricalCovariance

Оценка ковариации методом максимального правдоподобия.

GraphicalLasso

Оценка разреженной обратной ковариации с оценщиком, использующим штраф L1.

LedoitWolf

Оценщик LedoitWolf.

MinCovDet

Минимальный определитель ковариации (робастная оценка ковариации).

OAS

Oracle Approximating Shrinkage Estimator.

ShrunkCovariance

Оценщик ковариации с сжатием.

Примечания

Обнаружение выбросов на основе оценки ковариации может нарушиться или работать плохо в высокоразмерных настройках. В частности, всегда следует убедиться, что работа ведётся с n_samples > n_features ** 2.

Ссылки

[1]

Rousseeuw, P.J., Van Driessen, K. “A fast algorithm for the minimum covariance determinant estimator” Technometrics 41(3), 212 (1999)

Примеры

>>> import numpy as np
>>> from sklearn.covariance import EllipticEnvelope
>>> true_cov = np.array([[.8, .3],
...                      [.3, .4]])
>>> X = np.random.RandomState(0).multivariate_normal(mean=[0, 0],
...                                                  cov=true_cov,
...                                                  size=500)
>>> cov = EllipticEnvelope(random_state=0).fit(X)
>>> # predict returns 1 for an inlier and -1 for an outlier
>>> cov.predict([[0, 0],
...              [3, 3]])
array([ 1, -1])
>>> cov.covariance_
array([[0.8102, 0.2736],
       [0.2736, 0.3330]])
>>> cov.location_
array([0.0769 , 0.0397])
correct_covariance(данные)[источник]#

Применение поправки к оценкам минимального ковариационного определителя.

Коррекция с использованием асимптотического поправочного коэффициента, выведенного [Croux1999].

Параметры:
данныеarray-like формы (n_samples, n_features)

Матрица данных с p признаками и n образцами. Набор данных должен быть тем, который использовался для вычисления сырых оценок.

Возвращает:
covariance_correctedndarray формы (n_features, n_features)

Скорректированная робастная оценка ковариации.

Ссылки

[Croux1999]

Функция влияния и эффективность оценщика матрицы рассеяния с минимальной ковариационной детерминантой, 1999, Journal of Multivariate Analysis, Volume 71, Issue 2, Pages 161-190

decision_function(X)[источник]#

Вычислите решающую функцию для заданных наблюдений.

Параметры:
Xarray-like формы (n_samples, n_features)

Матрица данных.

Возвращает:
decisionndarray формы (n_samples,)

Функция решения для образцов. Она равна смещенным расстояниям Махаланобиса. Порог для выброса равен 0, что обеспечивает совместимость с другими алгоритмами обнаружения выбросов.

отличается от(comp_cov, norm='frobenius', масштабирование=True, квадрат=True)[источник]#

Вычислить среднеквадратичную ошибку между двумя оценщиками ковариации.

Параметры:
comp_covarray-like формы (n_features, n_features)

Ковариация для сравнения.

norm{“frobenius”, “spectral”}, по умолчанию=”frobenius”

Тип нормы, используемой для вычисления ошибки. Доступные типы ошибок: - 'frobenius' (по умолчанию): sqrt(tr(A^t.A)) - 'spectral': sqrt(max(eigenvalues(A^t.A)) где A - ошибка (comp_cov - self.covariance_).

масштабированиеbool, по умолчанию=True

Если True (по умолчанию), норма квадрата ошибки делится на n_features. Если False, норма квадрата ошибки не масштабируется.

квадратbool, по умолчанию=True

Вычислять ли квадрат нормы ошибки или норму ошибки. Если True (по умолчанию), возвращается квадрат нормы ошибки. Если False, возвращается норма ошибки.

Возвращает:
результатfloat

Среднеквадратичная ошибка (в смысле нормы Фробениуса) между self и comp_cov оценки ковариации.

fit(X, y=None)[источник]#

Обучить модель EllipticEnvelope.

Параметры:
Xarray-like формы (n_samples, n_features)

Обучающие данные.

yИгнорируется

Не используется, присутствует для согласованности API по соглашению.

Возвращает:
selfobject

Возвращает сам экземпляр.

fit_predict(X, y=None, **kwargs)[источник]#

Выполнить подгонку на X и вернуть метки для X.

Возвращает -1 для выбросов и 1 для нормальных точек.

Параметры:
X{array-like, sparse matrix} формы (n_samples, n_features)

Входные образцы.

yИгнорируется

Не используется, присутствует для согласованности API по соглашению.

**kwargsdict

Аргументы, передаваемые в fit.

Добавлено в версии 1.4.

Возвращает:
yndarray формы (n_samples,)

1 для нормальных объектов, -1 для выбросов.

6332()[источник]#

Получить маршрутизацию метаданных этого объекта.

Пожалуйста, проверьте Руководство пользователя о том, как работает механизм маршрутизации.

Возвращает:
маршрутизацияMetadataRequest

A MetadataRequest Инкапсуляция информации о маршрутизации.

get_params(глубокий=True)[источник]#

Получить параметры для этого оценщика.

Параметры:
глубокийbool, по умолчанию=True

Если True, вернет параметры для этого оценщика и вложенных подобъектов, которые являются оценщиками.

Возвращает:
paramsdict

Имена параметров, сопоставленные с их значениями.

get_precision()[источник]#

Геттер для матрицы точности.

Возвращает:
precision_array-like формы (n_features, n_features)

Матрица точности, связанная с текущим объектом ковариации.

mahalanobis(X)[источник]#

Вычислить квадратные расстояния Махаланобиса для заданных наблюдений.

Для подробного примера того, как выбросы влияют на расстояние Махаланобиса, см. Робастная оценка ковариации и релевантность расстояний Махаланобиса.

Параметры:
Xarray-like формы (n_samples, n_features)

Наблюдения, для которых мы вычисляем расстояния Махаланобиса. Предполагается, что наблюдения взяты из того же распределения, что и данные, использованные при обучении.

Возвращает:
distndarray формы (n_samples,)

Квадраты расстояний Махаланобиса наблюдений.

predict(X)[источник]#

Предсказать метки (1 - нормальный, -1 - выброс) для X в соответствии с обученной моделью.

Параметры:
Xarray-like формы (n_samples, n_features)

Матрица данных.

Возвращает:
is_inlierndarray формы (n_samples,)

Возвращает -1 для аномалий/выбросов и +1 для нормальных точек.

reweight_covariance(данные)[источник]#

Перевзвесить оценки сырого определителя минимальной ковариации.

Перевзвешивание наблюдений с использованием метода Rousseeuw (эквивалентно удалению выбросов из набора данных перед вычислением оценок местоположения и ковариации), описанного в [RVDriessen].

Корректирует перевзвешенную ковариацию для согласованности с нормальным распределением, следуя [Croux1999].

Параметры:
данныеarray-like формы (n_samples, n_features)

Матрица данных с p признаками и n образцами. Набор данных должен быть тем, который использовался для вычисления сырых оценок.

Возвращает:
location_reweightedndarray формы (n_features,)

Перевзвешенная робастная оценка местоположения.

covariance_reweightedndarray формы (n_features, n_features)

Перевзвешенная оценка робастной ковариации.

support_reweightedndarray формы (n_samples,), dtype=bool

Маска наблюдений, которые были использованы для вычисления взвешенных устойчивых оценок местоположения и ковариации.

Ссылки

[RVDriessen]

Быстрый алгоритм для оценщика минимального определителя ковариации, 1999, Американская статистическая ассоциация и Американское общество качества, TECHNOMETRICS

[Croux1999]

Функция влияния и эффективность оценщика матрицы рассеяния с минимальной ковариационной детерминантой, 1999, Journal of Multivariate Analysis, Volume 71, Issue 2, Pages 161-190

score(X, y, sample_weight=None)[источник]#

Возвращает среднюю точность на предоставленных тестовых данных и метках.

В многометочной классификации это точность подмножества, которая является строгой метрикой, поскольку требует для каждого образца правильного предсказания каждого набора меток.

Параметры:
Xarray-like формы (n_samples, n_features)

Тестовые выборки.

yarray-like формы (n_samples,) или (n_samples, n_outputs)

Истинные метки для X.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса выборок.

Возвращает:
scorefloat

Средняя точность self.predict(X) относительно y.

score_samples(X)[источник]#

Вычислите отрицательные расстояния Махаланобиса.

Параметры:
Xarray-like формы (n_samples, n_features)

Матрица данных.

Возвращает:
negative_mahal_distancesarray-like формы (n_samples,)

Противоположность расстояний Махаланобиса.

set_params(**params)[источник]#

Установить параметры этого оценщика.

Метод работает как на простых оценщиках, так и на вложенных объектах (таких как Pipeline). Последние имеют параметры вида __ чтобы можно было обновить каждый компонент вложенного объекта.

Параметры:
**paramsdict

Параметры оценщика.

Возвращает:
selfэкземпляр estimator

Экземпляр оценщика.