ledoit_wolf#
- sklearn.covariance.ledoit_wolf(X, *, assume_centered=False, block_size=1000)[источник]#
Оцените сжатую ковариационную матрицу Ледойта-Вольфа.
Подробнее в Руководство пользователя.
- Параметры:
- Xarray-like формы (n_samples, n_features)
Данные, по которым вычисляется оценка ковариации.
- assume_centeredbool, по умолчанию=False
Если True, данные не будут центрироваться перед вычислением. Полезно для работы с данными, среднее значение которых значительно равно нулю, но не точно нулю. Если False, данные будут центрироваться перед вычислением.
- block_sizeint, по умолчанию=1000
Размер блоков, на которые будет разделена ковариационная матрица. Это исключительно оптимизация памяти и не влияет на результаты.
- Возвращает:
- shrunk_covndarray формы (n_features, n_features)
Сжатая ковариация.
- сжатиеfloat
Коэффициент в выпуклой комбинации, используемой для вычисления сжатой оценки.
Примечания
Регуляризованная (сжатая) ковариация:
(1 - shrinkage) * cov + shrinkage * mu * np.identity(n_features)
где mu = trace(cov) / n_features
Примеры
>>> import numpy as np >>> from sklearn.covariance import empirical_covariance, ledoit_wolf >>> 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) >>> covariance, shrinkage = ledoit_wolf(X) >>> covariance array([[0.44, 0.16], [0.16, 0.80]]) >>> shrinkage np.float64(0.23)
