基于的逆协方差估计.DOC

HYPERLINK /skggm/skggm HYPERLINK https://badge.fury.io/gh/skggm%2Fskggm HYPERLINK /10.5281/zenodo.830033 HYPERLINK \l skggm--gaussian-graphical-models-using-the-scikit-learn-api ：使用scikit学习API的高斯图形模式 在过去的十年中，学习条件独立关系的学习网络已经成为机器学习和统计中的一个重要问题。 对于许多重要的概率分布，如多元高斯，这是对逆协方差矩阵估计的。 反向协方差估计在细胞生物学和神经网络神经元交互中被广泛应用于基因调控网络中。 然而，目前还没有广泛采用的适用于数据模型的统计和最佳实践，在机器学习的通用 python 包中还没有得到广泛。 此外，反向协方差估计是研究的活跃领域，研究者不断地改进算法和估计。 借助 skggm，我们寻求向更广泛的受众提供这些新的发展，并使研究人员能够在相关的领域中有效地测试他们的方法。 尽管目前 skggm 面向面向对象的高斯图形模型，但我们希望最终将它的发展为支持面向对象的通用图形模型(。 在这里阅读更多的 HYPERLINK https://skggm.github.io/skggm/tour 。 基于 HYPERLINK \l inverse-covariance-estimation 的逆协方差估计 独立绘制的，-dimensional随机样本 带样本协方差 HYPERLINK J:\\linshifiles\\/skggm/skggm/blob/develop/images/sigma_hat.png \t _blank 的 反方差矩阵的极大似然估计 可以通过图形套索，换句话说，程序来计算 HYPERLINK J:\\linshifiles\\/skggm/skggm/blob/develop/images/graphlasso_program.png \t _blank 其中 HYPERLINK J:\\linshifiles\\/skggm/skggm/blob/develop/images/Lambda.png \t _blank 是具有非负项的对称矩阵， HYPERLINK J:\\linshifiles\\/skggm/skggm/blob/develop/images/penalty.png \t _blank 通常，对角线不受设置 HYPERLINK J:\\linshifiles\\/skggm/skggm/blob/develop/images/lambda_diagonals.png \t _blank 的惩罚 ，确保 HYPERLINK J:\\linshifiles\\/skggm/skggm/blob/develop/images/Theta.png \t _blank remains remains remains remains objective objective objective objective objective objective objective objective objective reduces。 当所有的罚矩阵都取一个常数标量值时。 ：标准图形套索已经在 HYPERLINK /stable/modules/generated/sklearn.covariance.GraphLassoCV.html scikit中实现。 在这个包中我们提供了一个 HYPERLINK scikit学习上面的程序 -compatible实现，以及一系列现代的最佳实践，用于图形套索。 本图描述了如何在 GraphLasso 中建立这里软件包与scikit的不同之处： HYPERLINK J:\\linshifiles\\/skggm/skggm/blob/develop/images/sklearn_skggm_compare.png \t _blank HYPERLINK \l quick-start 快速启动 要开始，请安装软件包( 通过 pip，见下面) 和： 阅读 HYPERLINK https://skggm.github.io/skggm/tour https://skggm.github.io/skggm/tour的skggm教程。 阅读 HYPERLINK /mnarayan @mnarayan HYPERLINK /10.6084/m9.figshare.4003380 ，并在这里查看companion的例子 HYPERLINK /neuroquant/jf2016-skggm