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 \(a\)\(b\) 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 \(\bar{a}\)\(\bar{b}\) 分别是 \(a\)\(b\) 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 fweightsaweights 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

fweightsaweights 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 fweightsaweights 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:

Ascend GPU CPU

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]]