ledoit_wolf_shrinkage

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

估计收缩的Ledoit-Wolf协方差矩阵。

更多信息请参阅 用户指南 。

Parameters:

X形状为 (n_samples, n_features) 的类数组

从中计算Ledoit-Wolf收缩协方差的数据。

assume_centeredbool, 默认=False

如果为True，数据在计算前不会被中心化。 适用于均值显著等于零但不是精确为零的数据。 如果为False，数据将在计算前被中心化。

block_sizeint, 默认=1000

协方差矩阵将被分割成的块的大小。

Returns:

shrinkagefloat

在计算收缩估计时使用的凸组合系数。

Notes

正则化（收缩）协方差为：

(1 - shrinkage) * cov + shrinkage * mu * np.identity(n_features)

其中 mu = trace(cov) / n_features

Examples

>>> 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
0.23...