1
ShrunkCovariance把协方差拉向平均方差乘单位矩阵，shrinkage=1不等于原来的对角矩阵
#协方差#机器学习#公式阅读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
新加坡 11-08 01:58 · 吉隆坡 01:58 · 雅加达 00:58 · 曼谷 00:58 · 马尼拉 01:58 · 胡志明 00:58 · 北京 01:58 · 东京 02:58 · 伦敦 17:58 · 纽约 12:58
#协方差#机器学习#公式阅读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
#机器学习#协方差#接口检查Amy 原创整理｜资料核验：2026-11-03 scikit-learn的GraphicalLasso用L1惩罚估计稀疏逆协方差。它的输入有两种含义：默认covariance=None时，把fit收到的X作为数据来估计经验协方差；设为covariance='precomputed'时，才把输入视为已计算好的协方差矩
#机器学习#协方差#数据检查Amy 原创整理｜资料核验：2026-11-03 scikit-learn将MinCovDet称为最小协方差行列式的稳健协方差估计器。官方说明它面向高斯分布数据，也可能适合单峰且对称的分布；并明确指出它不适用于多峰数据，拟合算法在这种情况下可能失败。 因此，“稳健”不能理解为把多个来源、多个群体混在一起仍一定可靠。
#机器学习#论文复现#协方差Amy 原创整理｜资料核验：2026-11-03 scikit-learn的OAS文档不仅说明参数，还记录了实现与引用论文的差别：原文公式23在分子和分母的相关迹项中带有2/p（p为特征数），库的实现省略了该操作。文档解释，在p较大时，这一项很小。 因此，按论文原式手算的小维度例子与库结果有差异时，先核对实现说明，
#机器学习#协方差#scikit-learnAmy 原创整理｜资料核验：2026-11-03 scikit-learn的 LedoitWolf 是一种收缩协方差估计器，收缩系数按 Ledoit与Wolf的方法计算。官方对 block_size 的定义很明确：它设置估计过程中协方差矩阵的分块大小，默认1000，用于内存优化，不影响估计结果。 另一个参数 ass