graphical_lasso#

sklearn.covariance.graphical_lasso(emp_cov, alpha, *, mode='cd', tol=0.0001, enet_tol=0.0001, max_iter=100, verbose=False, return_costs=False, eps=np.float64(2.220446049250313e-16), return_n_iter=False)[источник]#

Оценщик ковариации с L1-штрафом.

Подробнее в Руководство пользователя.

Изменено в версии v0.20: graph_lasso был переименован в graphical_lasso

Параметры:
emp_covarray-like формы (n_features, n_features)

Эмпирическая ковариация, из которой вычисляется оценка ковариации.

alphafloat

Параметр регуляризации: чем выше alpha, тем больше регуляризация, тем более разреженной становится обратная ковариационная матрица. Диапазон: (0, inf].

mode{‘cd’, ‘lars’}, по умолчанию=’cd’

Решатель Lasso для использования: координатный спуск или LARS. Используйте LARS для очень разреженных графов, где p > n. В остальных случаях предпочтительнее cd, который более численно устойчив.

tolfloat, по умолчанию=1e-4

Допуск для объявления сходимости: если двойной разрыв опускается ниже этого значения, итерации останавливаются. Диапазон (0, inf].

enet_tolfloat, по умолчанию=1e-4

Допуск для решателя эластичной сети, используемого для вычисления направления спуска. Этот параметр управляет точностью направления поиска для данного обновления столбца, а не общей оценки параметра. Используется только для mode='cd'. Диапазон (0, inf].

max_iterint, по умолчанию=100

Максимальное количество итераций.

verbosebool, по умолчанию=False

Если verbose=True, целевая функция и двойной зазор выводятся на каждой итерации.

return_costsbool, по умолчанию=False

Если return_costs установлен в True, целевая функция и двойной зазор на каждой итерации возвращаются.

epsfloat, по умолчанию=eps

Регуляризация с машинной точностью при вычислении диагональных факторов Холецкого. Увеличьте это для очень плохо обусловленных систем. По умолчанию np.finfo(np.float64).eps.

return_n_iterbool, по умолчанию=False

Возвращать или нет количество итераций.

Возвращает:
ковариацияndarray формы (n_features, n_features)

Оценочная ковариационная матрица.

точностьndarray формы (n_features, n_features)

Оцененная (разреженная) матрица точности.

затратысписок пар (целевая функция, двойственный разрыв)

Список значений целевой функции и двойного разрыва на каждой итерации. Возвращается только если return_costs равен True.

n_iterint

Количество итераций. Возвращается только если return_n_iter установлено в True.

Смотрите также

GraphicalLasso

Оценка разреженной обратной ковариации с оценщиком, использующим штраф L1.

GraphicalLassoCV

Разреженная обратная ковариация с кросс-валидационным выбором штрафа l1.

Примечания

Алгоритм, используемый для решения этой задачи, — алгоритм GLasso, из статьи Фридмана 2008 года в Biostatistics. Это тот же алгоритм, что и в R glasso пакет.

Одно возможное отличие от glasso В пакете R диагональные коэффициенты не штрафуются.

Примеры

>>> import numpy as np
>>> from sklearn.datasets import make_sparse_spd_matrix
>>> from sklearn.covariance import empirical_covariance, graphical_lasso
>>> true_cov = make_sparse_spd_matrix(n_dim=3,random_state=42)
>>> rng = np.random.RandomState(42)
>>> X = rng.multivariate_normal(mean=np.zeros(3), cov=true_cov, size=3)
>>> emp_cov = empirical_covariance(X, assume_centered=True)
>>> emp_cov, _ = graphical_lasso(emp_cov, alpha=0.05)
>>> emp_cov
array([[ 1.687,  0.212, -0.209],
       [ 0.212,  0.221, -0.0817],
       [-0.209, -0.0817, 0.232]])
На этой странице