`sklearn.covariance`.EmpiricalCovariance¶

class sklearn.covariance.EmpiricalCovariance¶

Estimador de covarianza de máxima verosimilitud

Más información en el Manual de usuario.

Parámetros

store_precisionbool, default=True: Especifica si se almacena la precisión estimada.
assume_centeredbool, default=False: Si es True, los datos no son centrados antes del calculó. Útil al trabajar con datos cuya media es casí, pero no igual a cero. Si es False (predeterminado), los datos son centrados antes del cálculo.

Atributos

location_ndarray de forma (n_features,): Ubicación estimada, es decir, la media estimada.
covariance_ndarray de forma (n_features, n_features): Matriz de covarianza estimada
precision_ndarray de forma (n_features, n_features): Matrix pseudo-inversa estimada. (almacenada sólo si store_precision es True)

Ejemplos

>>> import numpy as np
>>> from sklearn.covariance import EmpiricalCovariance
>>> from sklearn.datasets import make_gaussian_quantiles
>>> real_cov = np.array([[.8, .3],
...                      [.3, .4]])
>>> rng = np.random.RandomState(0)
>>> X = rng.multivariate_normal(mean=[0, 0],
...                             cov=real_cov,
...                             size=500)
>>> cov = EmpiricalCovariance().fit(X)
>>> cov.covariance_
array([[0.7569..., 0.2818...],
       [0.2818..., 0.3928...]])
>>> cov.location_
array([0.0622..., 0.0193...])

Métodos

`error_norm`	Calcula el Error Cuadrático Medio entre dos estimadores de covarianza.
`fit`	Encaja el modelo de Máximo Estimador de Verosimilitud de acuerdo a los datos de entrenamiento y parámetros dados.
`get_params`	Obtiene los parámetros para este estimador.
`get_precision`	Colector para la matriz de precisión.
`mahalanobis`	Calcula las distancias de mahalanobis cuadráticas de las observaciones dadas.
`score`	Calcula el logaritmo de la verosimilitud de un conjunto de datos Gaussiano con `self.covariance_` como un estimador de su matriz de covarianza.
`set_params`	Establece los parámetros de este estimador.

error_norm()¶

Calcula el Error Cuadrático Medio entre dos estimadores de covarianza. (En el sentido de la norma Frobenius).

Parámetros

comp_covarray-like de forma (n_features, n_features): La covarianza con la cual se compara.
norm{«frobenius», «spectral»}, default=»frobenius»: El tipo de norma utilizada para calcular el error. Tipos de error disponibles: - “frobenius” (predeterminado): sqrt(tr(A^t.)) - “spectral”: sqrt(max(eigenvalues(A^t.A)) donde A es el error (comp_cov - self.covariance_).
scalingbool, default=True: Si es True (predeterminado), la norma del error cuadrático es dividida por n_features. Si es False, la norma del error cuadrático no es reescalada.
squaredbool, default=True: Si se calcula la norma de error cuadrático o la norma de error. Si es True (predeterminado) se devuelve la norma de error cuadrático. Si es False, se devuelve la norma de error.

Devoluciones

resultfloat: El Error Cuadrático Medio (en el sentido de la norma Frobenius) entre los estimadores de covarianza self y comp_cov.

fit()¶

Encaja el modelo de Máximo Estimador de Verosimilitud de acuerdo a los datos de entrenamiento y parámetros dados.

Parámetros

Xarray-like de forma (n_samples, n_features): Datos de entrenamiento, donde n_samples es el número de muestras y n_features es el número de características.
yIgnorado: No se utiliza, está presente para la coherencia de la API por convención.

Devoluciones

selfobjeto

get_params()¶

Obtiene los parámetros para este estimador.

Parámetros

deepbool, default=True: Si es True, devolverá los parámetros para este estimador y los subobjetos contenidos que son estimadores.

Devoluciones

paramsdict: Nombres de parámetros asignados a sus valores.

get_precision()¶

Colector para la matriz de precisión.

Devoluciones

precision_array-like de forma (n_features, n_features): La matriz de precisión asociada al objeto de covarianza actual.

mahalanobis()¶

Calcula las distancias de mahalanobis cuadráticas de las observaciones dadas.

Parámetros

Xarray-like de forma (n_samples, n_features): Las observaciones, las distancias Mahalanobis de lo que calculamos. Se asume que las observaciones se extraen de la misma distribución que utilizaron los datos en el ajuste.

Devoluciones

distndarray de forma (n_samples,): Distancias de Mahalanobis cuadráticas de las observaciones.

score()¶

Calcula el logaritmo de la verosimilitud de un conjunto de datos Gaussiano con self.covariance_ como un estimador de su matriz de covarianza.

Parámetros

X_testarray-like de forma (n_samples, n_features): Los datos de prueba de los cuales calculamos la probabilidad, donde n_samples es el número de muestras y n_features es el número de características. Se asume que X_test se extrae de la misma distribución que los datos utilizados (incluyendo el centrado).
yIgnorado: No se utiliza, está presente para la coherencia de la API por convención.

Devoluciones

resfloat: La probabilidad del conjunto de datos con self.covariance_ como un estimador de su matriz de covarianza.

set_params()¶

Establece los parámetros de este estimador.

El método funciona tanto en estimadores simples como en objetos anidados (como Pipeline). Estos últimos tienen parámetros de la forma <component>__<parameter> para que sea posible actualizar cada componente de un objeto anidado.

Parámetros

**paramsdict: Parámetros del estimador.

Devoluciones

selfinstancia del estimador: Instancia del estimador.