mindspore.ops.cov
- mindspore.ops.cov(input, *, correction=1, fweights=None, aweights=None)[源代码]
给定输入 input 和权重，返回输入 input 的协方差矩阵(每对变量的协方差的方阵)，其中输入行是变量，列是观察值。
对角线包含每个变量及其自身的协方差。如果 input 是单个变量的标量或一维向量，则将返回其方差。
变量 \(a\) 和 \(b\) 的无偏样本协方差由下式给出：
\[\text{cov}_w(a,b) = \frac{\sum^{N}_{i = 1}(a_{i} - \bar{a})(b_{i} - \bar{b})}{N~-~1}\]其中 \(\bar{a}\) 和 \(\bar{b}\) 分别是 \(a\) 和 \(b\) 的简单均值。
如果提供了 fweights 和/或 aweights ，则计算无偏加权协方差，由下式给出：
\[\text{cov}_w(a,b) = \frac{\sum^{N}_{i = 1}w_i(a_{i} - \mu_a^*)(b_{i} - \mu_b^*)}{\sum^{N}_{i = 1}w_i~-~1}\]其中 \(w\) 基于提供的 fweights 或 aweights 中的任意一个参数进行表示，如果两个参数都有提供，则 \(w = fweights \times aweights\)，并且 \(\mu_x^* = \frac{\sum^{N}_{i = 1}w_ix_{i} }{\sum^{N}_{i = 1}w_i}\) 表示变量的加权平均值。
警告
fweights 和 aweights 的值不能为负数，负数权重场景结果未定义。
说明
当前暂不支持复数。
- 参数：
input (Tensor) - 一个二维矩阵，或单个变量的标量或一维向量。
- 关键字参数：
correction (int，可选) - 样本量和样本自由度之间的差异，默认为Bessel校正 correction = 1，即使指定了 fweights 和 aweights 的情况下它也会返回无偏估计。correction = 0 将返回简单平均值。默认值：
1。fweights (Tensor, 可选) - 包含整数频率权重的标量或一维Tensor，表示每一个观测向量的重复次数。它的numel必须等于输入 input 的列数。若为None则忽略。默认值：
None。aweights (Tensor, 可选) - 包含浮点观测权重的标量或一维Tensor，表示每一个观测向量的重要性，重要性越高对应值越大。它的numel必须等于输入 input 的列数。若为None则忽略。默认值：
None。
- 返回：
Tensor，输入 input 的协方差矩阵。
- 异常：
ValueError - 如果输入的维度大于2。
ValueError - 如果 fweights 的维度大于1。
ValueError - 如果 fweights 的numel不等于输入 input 的列数。
ValueError - 如果 aweights 的numel不等于输入 input 的列数。
ValueError - 如果 aweights 的维度大于1。
TypeError - 如果输入的类型为bool类型。
TypeError - 如果 fweights 的类型不为int。
TypeError - 如果 aweights 的类型不为浮点类型。
- 支持平台：
AscendGPUCPU
样例：
>>> import mindspore as ms >>> from mindspore import ops >>> x = ms.Tensor([[0., 3.], [5., 5.], [7., 0.]]).T >>> print(x) [[0. 5. 7.] [3. 5. 0.]] >>> print(ops.cov(x)) [[13. -3.5 ] [-3.5 6.3333335]] >>> print(ops.cov(x, correction=0)) [[ 8.666667 -2.3333333] [-2.3333333 4.2222223]] >>> fw = ms.Tensor([5, 2, 4], dtype=ms.int64) >>> aw = ms.Tensor([0.4588, 0.9083, 0.7616], ms.float32) >>> print(ops.cov(x, fweights=fw, aweights=aw)) [[10.146146 -3.47241 ] [-3.47241 4.716825]]