jax.numpy.cov

目录

jax.numpy.cov#

jax.numpy.cov(m, y=None, rowvar=True, bias=False, ddof=None, fweights=None, aweights=None)[源代码][源代码]#

给定数据和权重，估计一个协方差矩阵。

LAX-backend 实现的 numpy.cov()。

原始文档字符串如下。

协方差表示两个变量共同变化的程度。如果我们考察 N 维样本，\(X = [x_1, x_2, ... x_N]^T\)，那么协方差矩阵元素 \(C_{ij}\) 是 \(x_i\) 和 \(x_j\) 的协方差。元素 \(C_{ii}\) 是 \(x_i\) 的方差。

请参阅注释以了解算法的概要。

参数:

  • m (array_like) – 一个包含多个变量和观测值的1维或2维数组。m 的每一行代表一个变量，每一列代表所有这些变量的一个单独观测值。另见下面的 rowvar。

  • y (array_like, optional) – 一组额外的变量和观察。y 的形式与 m 相同。

  • rowvar (bool, optional) – 如果 rowvar 为 True（默认），那么每一行代表一个变量，观察值在列中。否则，关系被转置：每一列代表一个变量，而行包含观察值。

  • bias (bool, optional) – 默认归一化（False）是按 (N - 1) 进行的，其中 N 是给定的观测数（无偏估计）。如果 bias 为 True，则归一化按 N 进行。这些值可以通过在 numpy 版本 >= 1.5 中使用关键字 ddof 来覆盖。

  • ddof (int, optional) – 如果非 None ，则 bias 隐含的默认值将被覆盖。请注意，即使指定了 fweights 和 aweights ，ddof=1 也会返回无偏估计，而 ddof=0 将返回简单平均值。详见注释。默认值为 None。

  • fweights (array_like, int, optional) – 整数频率权重的1-D数组；每个观测向量应重复的次数。

  • aweights (array_like, optional) – 观测向量权重的1-D数组。这些相对权重通常对于被认为是“重要”的观测值较大，而对于被认为是较不“重要”的观测值较小。如果 ddof=0 ，权重数组可以用于为观测向量分配概率。

返回:

out – 变量的协方差矩阵。

返回类型:

ndarray

目录