ledoit_wolf_shrinkage

sklearn.covariance.ledoit_wolf_shrinkage(X, assume_centered=False, block_size=1000)

Оцените сжатую ковариационную матрицу Ледойта-Вольфа.

Подробнее в Руководство пользователя.

Параметры:

Xarray-like формы (n_samples, n_features)

Данные, по которым вычисляется сжатая ковариация Ledoit-Wolf.

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.

Возвращает:

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 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)