jax.numpy.cov#
- jax.numpy.cov(m, y=None, rowvar=True, bias=False, ddof=None, fweights=None, aweights=None)[source]#
根据数据和权重估计协方差矩阵。
numpy.cov()的 LAX 后端实现。原始文档字符串如下。
协方差表示两个变量一起变化的程度。如果我们检查 N 维样本，\(X = [x_1, x_2, ... x_N]^T\)，则协方差矩阵元素 \(C_{ij}\) 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概述。
- 参数：
m (array_like) – 包含多个变量和观测值的 1 维或 2 维数组。 m 的每一行表示一个变量，每一列表示所有这些变量的单个观测值。另请参见下面的 rowvar。
y (array_like, 可选) – 一组额外的变量和观测值。 y 的格式与 m 相同。
rowvar (bool, 可选) – 如果 rowvar 为 True（默认值），则每一行表示一个变量，列中包含观测值。否则，关系会进行转置：每一列表示一个变量，而行包含观测值。
bias (bool, 可选) – 默认归一化（False）为
(N - 1)，其中N是给定的观测值数量（无偏估计）。如果 bias 为 True，则归一化为N。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, 可选) – 如果不为
None，则覆盖由 bias 隐含的默认值。请注意，ddof=1将返回无偏估计，即使同时指定了 fweights 和 aweights，并且ddof=0将返回简单平均值。有关详细信息，请参阅注释。默认值为None。fweights (array_like, int, 可选) – 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, 可选) – 观测向量权重的 1-D 数组。这些相对权重通常对于被认为“重要”的观测值较大，而对于被认为不太“重要”的观测值较小。如果
ddof=0，则权重数组可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