sklearn.covariance.graphical_lasso

sklearn.covariance.graphical_lasso()

estimador de covarianza l1-penalizado

Más información en el Manual de usuario.

Distinto en la versión v0.20: graph_lasso ha sido renombrado a graphical_lasso

Parámetros
emp_covndarray de forma (n_features, n_features)

Covarianza empírica desde la cual calcular la estimación de covarianza.

alphafloat

El parámetro de regularización: mientras el alfa sea más alto, habrá más regularización, y será mas disperso la covarianza inversa. El rango es (0, inf].

cov_initarreglo de forma (n_features, n_features), default=None

La conjetura inicial para la covarianza. Si es None, entonces se utiliza la covarianza empírica.

mode{“cd”, “lars”}, default=”cd”

El solucionador Lasso a usar: descenso de coordenadas o LARS. Use LARS para gráficos subyacentes muy dispersos, donde p > n. De otra forma se prefiere el dc (cd en inglés), que es más estable numéricamente.

tolfloat, default=1e-4

La tolerancia para declarar la convergencia: si la brecha dual va por debajo de este valor, se detienen las iteraciones. El rango es (0, inf].

enet_tolfloat, default=1e-4

La tolerancia para el solucionador de red elástica utilizado para calcular la dirección de descenso. Este parámetro controla la precisión de la dirección de búsqueda para una actualización de una columna determinada, no del estimado de parámetro general. Sólo se utiliza para mode=”cd”. El rango es (0, inf].

max_iterentero, default=100

Número máximo de iteraciones.

verbosebooleano, default=False

Si verbose es True, la función objetivo y el vacío dual se imprimen en cada iteración.

return_costsbooleano, default=False

Si return_costs es True, se devuelven la función objetivo y la brecha dual en cada iteración.

epsflotante, default=eps

La regularización de la precisión mecánica en la computación de los factores diagonales Cholesky. Incremente esto para sistemas muy mal condicionados. Por defecto es np.finfo(np.float64).eps.

return_n_iterbooleano, default=False

Devolver o no el número de iteraciones.

Devuelve
covarianzandarray de forma (n_features, n_features)

La matriz de covarianza estimada.

precisiónndarray de forma (n_features, n_features)

La matriz de precisión (dispersa) estimada.

costslista de pares (objetivos, dual_gap)

La lista de valores de la función objetivo y la brecha dual en cada iteración. Devuelto solo si return_costs es True.

n_iterint

Número de iteraciones. Se devuelve sólo si return_n_iter se establece como True.

Notas

El algoritmo empleado para solucionar este problema es el algoritmo GLasso, del paper Friedman 2008 Biostatistics. Es el mismo algoritmo que en el paquete R glasso.

Una posible diferencia con el paquete R glasso es que los coeficientes diagnósticos no son penalizados.