Ctrl+K
scipy.stats.

共變異數#

class scipy.stats.Covariance[source]#

共變異數矩陣的表示法

涉及共變異數矩陣的計算（例如資料白化、多變數常態函數評估）通常使用共變異數矩陣的分解而不是共變異數矩陣本身來更有效率地執行。此類別允許使用者使用多種分解中的任何一種來建構表示共變異數矩陣的物件，並使用通用介面執行計算。

注意

Covariance 類別無法直接實例化。請改用工廠方法之一（例如 Covariance.from_diagonal）。

範例

Covariance 類別透過呼叫其工廠方法之一來建立 Covariance 物件來使用，然後將 Covariance 矩陣的表示法作為多變數分佈的形狀參數傳遞。

例如，多變數常態分佈可以接受表示共變異數矩陣的陣列

>>> 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

但計算是以非常通用的方式執行的，沒有利用共變異數矩陣的任何特殊屬性。因為我們的共變異數矩陣是對角的，所以我們可以使用 Covariance.from_diagonal 來建立表示共變異數矩陣的物件，並且 multivariate_normal 可以使用它來更有效率地計算機率密度函數。

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

共變異數矩陣的顯式表示法

log_pdet

共變異數矩陣的偽行列式的對數

rank

共變異數矩陣的秩

shape

共變異數陣列的形狀

方法

colorize(x)

對資料執行著色轉換。

from_cholesky(cholesky)

通過（下）Cholesky 因子提供的共變異數表示法

from_diagonal(diagonal)

從其對角線返回共變異數矩陣的表示法。

from_eigendecomposition(eigendecomposition)

通過特徵分解提供的共變異數表示法

from_precision(precision[, covariance])

從其精度矩陣返回共變異數的表示法。

whiten(x)

對資料執行白化轉換。
本頁面