python - 从高斯分布估计协方差矩阵
问题描述
粗略地说,马氏距离是多元高斯分布 (μ, Σ) 与点之间的距离。如果高斯分布代表一个类,我们可以通过选择距离最小的类来对新点进行分类。
我将 N*D 训练数据作为类数据,我需要计算 mu 和 Sigma 的倒数。
Estimates the parameters for the mahalanobis distance for a specific class.
:param x_class: a (n x d) numpy array, containing n samples with d features coresponding to a specific class.
:return: tuple of (mu, inv_Si)
where mu is a (d,) numpy array
inv_Si is a (d, d) numpy array.
我正在使用 MLE 估计器,我得到了正确的均值,但我没有纠正逆协方差矩阵。
训练数据是 74*4 N*D 的大特征。
可以正确拟合数据的替代估计器是什么?
我尝试使用其他估计器,如 OAS,我得到不正确的均值和不正确的逆协方差矩阵。
最好的估计器是经验协方差估计器。但是我从中得到了一个正确的平均值,但是逆协方差矩阵与测试用例的负差为 2.0 或 3.0。
解决方案
推荐阅读
- networking - 如何使用 UdpSocket 使用特定的网络接口进行发送?
- ajax - Laravel - 每个论坛获得第一个线程 all() 结果
- php - 使用贝宝沙箱卷曲授权
- android - 在 android 和 iOS 移动应用中遇到无效输入错误消息
- c# - Unity LogitechSDK 无法检测到我的 G29 方向盘
- c# - 为什么我的用户控件绘制事件仅在一个控件上填充我的矩形?
- ios - CAGradientLayer 不填充宽度
- python - 在 Pyspark Worker 上加载文件一次
- python - Python列出本地网络上的所有设备,以及IP地址
- python - 从 Python 中的 HTML 链接下载文本数据