问题标签 [covariance-matrix]

我正在使用 scipy.interpolate 中的 LSQUnivariateSpline 或 make_lsq_spline 来获取给定的权重。有没有一种简单的方法不仅可以获得结果样条曲线，还可以获得样条曲线系数的方差 - 协方差矩阵？有没有一种简单的方法来获取在这些函数中生成并用于 LSQ 问题的法线矩阵？

在 python3 中，我使用工具GetDist 工具生成协方差矩阵的三元图时遇到了 2 个问题。

1）目前，我只需调用一次绘图函数（triangle_plot）就可以在同一个图形上绘制 2 个协方差矩阵。将要绘制的协方差矩阵列表指定为第一个输入足以具有每个矩阵的 (1 sigma,2 sigma) 轮廓。这里是由 2 个协方差矩阵生成的三元图示例（填充区域对应于 1 sigma 置信水平 (68%)，阴影对应于 2 sigma CL (95%)）。颜色标识每个矩阵（此处为红色和蓝色）：

我的主要目标是我想通过这样的降序优先考虑重叠：

而在默认行为中，我具有以下降序优先级：

这里是生成上图的脚本：

最后，我只是希望 1 sigma 红色圆盘不要被 2 sigma 蓝色阴影所隐藏。

这是我想要的一个例子（注意，与我上面的三幅图相比，红色和蓝色之间存在反转）：

不要在意黄色的轮廓。如您所见，1 sigma 蓝色磁盘的优先级高于 2 红色阴影 sigma 磁盘。这与我想要的行为完全相同。

在我上面的三幅图中，我尝试了很多使用 alpha 参数的方法，但是由于颜色混合在一起并且不再与图例（红色和蓝色）相对应，所以它一团糟。

2）鉴于我没有发现在源代码中更改此优先级的事实GetDist，我尝试调用两次该函数triangle_plot，每次调用一个矩阵。

但不幸的是，在 2 次调用之后，2 个地块没有重叠。仅出现一个颜色三图（最后一次调用的那个）。例如，如果我像这样连续两次调用（matrix 2代表最大的红色椭圆和matrix1最小的椭圆）：

是否可以保留第一个三图（矩阵 2 以红色表示）并再次调用triangle_plot函数以重叠，在第一个三图上，第二个三图（蓝色）？

实际上，这将允许我使用 Confidence 级别的标识符（CL：68% 或 95%），然后解决这个优先级问题。

不幸的是，当我调用 2 次 triangle_plot 函数时，重叠不起作用：只保留最后一次调用，第一次调用似乎已从图中删除。

在这种三元图上强制重叠（重叠轮廓但不重叠标签和刻度）的方法是什么？我们可以先验地认为这很简单，因为三图只是框/子图），但我不能仅仅设法执行这种重叠。我试图在两个电话之间插入：

但这不起作用。我认为这是因为我最后将图形保存在文件中：

更新 1

感谢史蒂夫。只是最后一个问题：水平和垂直 xticks 被轮廓和填充区域隐藏，我不知道后者是哪个zorder。这里有 2 个例子说明了这个问题：

可以看到对应0.95的xtick被屏蔽了。

你可以看到右下角的 xtick 也被屏蔽了。

更新 2

完美的解决方案，@Stef但它仍然是一个小问题：xticks 和 yticks 被轮廓隐藏。

默认情况下，z-orderxticks 的 of 由下式给出：

返回：0

所以，当我绘制我的轮廓时，我把triangle_plot：

这样，我可以让轮廓不被轮廓隐藏。例如，如下所示：

这个解决方案不是很容易，因为我必须处理负值 ( [-1.7, -1.5, -0.1, -1.6, -1.4, -0.1])。

现在，多亏了@Stef，我可以修改 的这个值 g.fig.axes[0].xaxis.get_major_ticks()[0].zorder，例如等于3：

但如果我在那之后做：

xticks 仍然被轮廓隐藏，而阈值设置为3：我不明白这种行为：

可能有什么问题？

更新 3

在这里，我试图解决关于我想要在刻度上的优先级的问题的最后一件事，即使 xticks/yticks 出现在轮廓前面，而不是瞬间发生的相反。

zorder如果我默认打印get_major_ticks()and的值get_ticklines()[0])，我得到：

==>

get_major_ticks()和有什么区别get_ticklines()？

您可以理解为什么我可以设法在所有轮廓前面设置刻度，即通过在给出的解决方案中设置负值@Stef：

zorder2我可以通过放置来修改上述内容：

但我不可能修改zorder1（0默认情况下）。

我怎么能改变这个0值zorder1（它引用get_ticklines()）？

我确信我遗漏了一些明显的东西，但这是我第一次在统计类之外使用 SEM。

大局是我正在尝试对多元调节中介分析进行建模，直到今天早上我开始遇到此错误时才遇到问题：

我想我已经完成了我之前关于这个错误的问题的尽职调查，并且我推测我观察到的协方差矩阵是奇异的。我一直试图找出导致问题的确切原因，并最终将我的模型缩减为单个潜在变量，但我仍然遇到此错误。因此，我在两个观察到的变量上对其进行了测试，得到了相同的错误，并使用三个不同的观察到的变量进行了尝试：

我仍然遇到同样的错误。我应该提到，我还在一个数据集上测试了这些，只有具有完整数据的案例并得到了相同的错误。

PS：我知道这是极少数的引导重采样，但由于我在排除故障时一直在重新运行模型，所以我选择了它来保持运行。

以下是一些数据（来自省略不完整案例的数据框）

我需要计算图像数据集中 RGB 值的协方差矩阵，然后将 Cholesky 分解应用于最终结果。

RGB 值的协方差矩阵是一个 3x3 矩阵 M，其中 M_(i, i) 是通道 i 的方差，M_(i, j) 是通道 i 和 j 之间的协方差。

最终结果应该是这样的：

即使 Numpy 具有 Cov 功能，我也更愿意坚持使用 PyTorch 功能。

我试图在这里基于其他 cov 实现和克隆在 PyTorch 中重新创建 numpy Cov 函数：

数据集加载将是这样的：

目前我只是在试验用torch.randn(batch_size, 3, height, width).

编辑：

我试图在这里复制 Tensorflow 的 Lucid 中的矩阵，并在 distill.pub 上进行了一些解释。

第二次编辑：

为了使输出类似于示例之一，您必须这样做而不是使用 Cholesky：

然后可以使用生成的矩阵来执行颜色去相关，这对于可视化特征（DeepDream）很有用。我已经在我的项目中实现了它。

我正在尝试为双向 MANOVA 运行 Box 的协方差矩阵同质性 M 检验。

我从昨天下午开始搜索一个例子。我看到了许多将 boxM 与单向 MANOVA 结合使用的示例。在每种情况下，如果源还涵盖双向 MANOVA，则它们不包括演示在双向情况下运行 boxM 测试。我只需要一个工作示例。一旦我掌握了语法，我就可以让它工作。

biotools 包中的 boxM 函数表示它适用于一个分类因子（单向 MANOVA）。
https://www.rdocumentation.org/packages/biotools/versions/3.1/topics/boxM

heplots 包中的 boxM 函数表示它适用于一个或多个分类因素——https:
//www.rdocumentation.org/packages/heplots/versions/1.3-5/topics/boxM

-- 但是，当我尝试使用它时出现错误：“模型必须是完全交叉的公式。”

下面，我展示了单独使用任何一个因素时我都没有得到错误，但是任何交叉因素的安排都会产生这个错误。注意：在跨变量的情况下运行 Levene 的测试时，我没有收到此错误。

Response1、Response2 和 Response3 是连续的。
Factor1 有 2 个水平。Factor2 有 5 个级别。

我正在与来自 hmm learn 的 GMMHMM 合作进行说话人识别。训练模型后，我发现协方差矩阵（covars_）中的所有值都具有相同的值。我初始化我的嗯如下

model = hmm.GMMHMM(n_components=5, n_mix = 3, n_iter=100, covariance_type='diag)

用从语音数据中提取的 MFCC 特征样本对其进行拟合。

model.fit(X,lengths)

打印出来后model.covars_，我的输出看起来像下面打印出来的

[[[1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392] [1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392] [1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392 1.00120392]]

这是针对单个州的，但所有州的值完全相同。

是否有一个原因？

如何在 iris 数据集（一个 3-d 数组数据集）上使用 r 中的 apply() 函数来计算Setosa、Versicolor 和Virginica，表示为 3 维数组。

这是数据集的前 6 行

我相信我的问题很容易理解，但我想把它说得很清楚，因此这篇文章的长度。

我在下面总结的初始情况类似于本文中解释的情况（https://stats.stackexchange.com/questions/50830/can-i-convert-a-covariance-matrix-into-uncertainties- for-variables )，但特别关注 python 包不确定性如何处理这种情况。

情况如下：

• 我拥有一组与某些测量值的标称值相对应的数据点（通过标称值，我的意思是没有考虑任何不确定性的裸值）。

• 每个数据点都有其不确定性，这也提供给了我。更重要的是，由于测量中的一些系统性，不同的数据点不是独立的，而是相关的。因此，给了我一个具有非零非对角元素的整个协方差矩阵。

我想做的是以不确定性适当传播的方式对我的数据进行计算。最终，我希望在控制台中以标称值 +/- 不确定性的形式显示值。python 包“不确定性”似乎是正确的方法，但我不确定它为我的初始数据点提供的不确定性数字的含义。

我所期望的是，我的初始数据点的不确定性对应于“朴素”标准偏差，即我的协方差矩阵的对角线元素的平方根。这忽略了数据中的相关性，但以标称值 +/- 不确定性的形式显示相关结果无论如何都不会显示相关性，只要后者在进一步计算中被正确考虑，这应该不是问题。

但是，包装上显示的另一个数字是不确定性，我不知道它来自哪里。软件包文档几乎没有帮助。我想知道我是否可能滥用该软件包。

谁能帮我了解一下情况？非常感谢 ！！

这是一个最小的可重现示例：

在神经网络中，我有一些 2D 特征图，其值介于 0 和 1 之间。对于这些图，我想根据每个坐标的值计算协方差矩阵。不幸的是，pytorch 没有.cov()像 numpy 那样的功能。所以我改写了以下函数：

这是正确的方法吗？

编辑：

这是与numpy函数的比较：

显然，我的值太小了 2 倍。为什么会这样？

Edit2：啊，我想通了。它必须除以(h*w/2 - 1):) 然后值匹配。

我有一个对称矩阵 A，其中A.shape = (30, 30), 的每一行都A与 3 个唯一标签中的一个相关联[0, 1, 2]。

我有另一个矩阵 M：

我想X用 shape制作一个新数组(30, 3)。调用此数组的每一行Xi及其相关标签k（k 为 0、1 或 2）。

我希望 的ith元素为Xi1，概率为 m1 ifi == k和 m2 if i != k。

我编写了一些使用嵌套 for 循环的工作代码来执行此操作，但我想使用纯 numpy 执行此操作。有什么建议么？

这是当前效率低下的实现，跳过了我定义A、labels和的部分M：