scipy.stats.

协方差#

class scipy.stats.Covariance[source]#

协方差矩阵的表示

涉及协方差矩阵的计算（例如数据白化、多元正态函数评估）通常使用协方差矩阵的分解（而不是协方差矩阵本身）可以更高效地执行。该类允许用户使用任何几种分解构造表示协方差矩阵的对象，并使用一个通用接口进行计算。

注意

Covariance 类不能直接实例化。请改用其中一个工厂方法（例如 Covariance.from_diagonal）。

示例

Covariance 类通过调用其中一种工厂方法创建 Covariance 对象，然后将该 Covariance 矩阵的表示形式作为多元分布的形状参数传递，而使用。

例如，多元正态分布可以接受一个表示协方差矩阵的数组

>>> from scipy import stats
>>> import numpy as np
>>> d = [1, 2, 3]
>>> A = np.diag(d)  # a diagonal covariance matrix
>>> x = [4, -2, 5]  # a point of interest
>>> dist = stats.multivariate_normal(mean=[0, 0, 0], cov=A)
>>> dist.pdf(x)
4.9595685102808205e-08

但计算以非常通用的方式执行，不会利用协方差矩阵的任何特殊属性。由于我们的协方差矩阵是对角线，我们可以使用 Covariance.from_diagonal 来创建表示协方差矩阵的对象，而 multivariate_normal 可以使用此对象更高效地计算概率密度函数。

>>> cov = stats.Covariance.from_diagonal(d)
>>> dist = stats.multivariate_normal(mean=[0, 0, 0], cov=cov)
>>> dist.pdf(x)
4.9595685102808205e-08
属性:
covariance

协方差矩阵的显式表示

log_pdet

协方差矩阵的伪行列式的对数

rank

协方差矩阵的秩

shape

协方差数组的形状

方法

colorize(x)

对数据进行彩色化转换。

from_cholesky(cholesky)

通过（下）Cholesky 分解提供协方差的表示

from_diagonal(diagonal)

从协方差矩阵的对角线返回协方差矩阵的表示。

from_eigendecomposition(eigendecomposition)

通过特征值分解提供协方差的表示

from_precision(precision[, covariance])

从其精度矩阵返回协方差的表示。

whiten(x)

对数据执行白化转换。
本页内容