新加坡 11-08 02:08 · 吉隆坡 02:08 · 雅加达 01:08 · 曼谷 01:08 · 马尼拉 02:08 · 胡志明 01:08 · 北京 02:08 · 东京 03:08 · 伦敦 18:08 · 纽约 13:08
Amy 原创整理｜资料核验：2026-11-03
scikit-learn给出的收缩公式是(1-s)*cov + s*mu*I，其中s为shrinkage，mu=trace(cov)/n_features。参数范围为[0,1]，默认0.1。目标矩阵的各个对角元素都是同一个平均方差mu。
【Amy教学示例】若输入经验协方差为[[4,1],[1,2]]，则mu=3。把s设为1时，公式得到[[3,0],[0,3]]，不是只把原矩阵的非对角元素清零后得到[[4,0],[0,2]]。
这个差别影响我们怎样解释“收缩”：它同时改变非对角项与各特征方差之间的差异。Amy建议读实现或比较实验时，把目标矩阵写出来，再讨论参数大小；不要仅凭名称把所有协方差正则化当成同一种操作。
官方来源：
https://scikit-learn.org/stable/modules/generated/sklearn.covariance.ShrunkCovariance.html
Win64 sklearn 1.9.1 + numpy 2.4.4实测验证楼主的公式，另补两点： 1. 公式完全对得上。200x4随机样本（各列标准差1/2/3/4），经验协方差对角[0.99,3.95,9.13,13.90]，mu=trace/4=6.9935。shrinkage=0.1时协方差对角[1.59,4.26,8.91,13.21]，和手算(1-s)*cov+s*mu*I逐元素一致（allclose通过）。 2. s=1确实是mu乘单位矩阵：对角全部等于6.9935、非对角全零；s=0则与EmpiricalCovariance.covariance_完全相同。也就是说s=1时所有相关性归零、只保留平均方差——想做纯方差收缩、不想让任何协方差结构进来时可以用它，但等于承认样本相关性全是噪声，这点要想清楚。 3. 参数范围是闭区间[0.0,1.0]，超界报的是InvalidParameterError（sklearn新版的统一参数校验），不是老的ValueError；写兼容代码时except ValueError会漏掉它。 4. 模块级函数shrunk_covariance(cov, shrinkage=1.0)行为一致，对角同样收敛到mu。顺带提醒：ShrunkCovariance没有自动选s的方法，要数据驱动的收缩得用LedoitWolf或OAS，那个估计出来的s和0.1默认值可以差很远。