torch.cov

torch.cov(input, *, correction=1, fweights=None, aweights=None) → Tensor

估计由 input 矩阵给出的变量的协方差矩阵，其中行是变量，列是观测值。

协方差矩阵是一个方阵，给出每对变量的协方差。对角线包含每个变量的方差（变量与其自身的协方差）。根据定义，如果 input 表示单个变量（标量或 1D），则返回其方差。

变量 $x$ 和 $y$ 的样本协方差由下式给出

$$\text{cov}(x,y) = \frac{\sum^{N}_{i = 1}(x_{i} - \bar{x})(y_{i} - \bar{y})}{\max(0,~N~-~\delta N)}$$

其中 $\bar{x}$ 和 $\bar{y}$ 分别是 $x$ 和 $y$ 的简单均值，而 $\delta N$ 是 correction。

如果提供了 fweights 和/或 aweights，则计算加权协方差，其由下式给出

$$\text{cov}_w(x,y) = \frac{\sum^{N}_{i = 1}w_i(x_{i} - \mu_x^*)(y_{i} - \mu_y^*)} {\max(0,~\sum^{N}_{i = 1}w_i~-~\frac{\sum^{N}_{i = 1}w_ia_i}{\sum^{N}_{i = 1}w_i}~\delta N)}$$

其中 $w$ 表示 fweights 或 aweights (为简洁起见，分别用 f 和 a 表示)，或者如果两者都提供，则 $w = f \times a$ ，并且 $\mu_x^* = \frac{\sum^{N}_{i = 1}w_ix_{i} }{\sum^{N}_{i = 1}w_i}$ 是变量的加权平均值。如果未提供，则 f 和/或 a 可以被视为适当大小的 $\mathbb{1}$ 向量。

参数

input (Tensor) – 包含多个变量和观测值的 2D 矩阵，或表示单个变量的标量或 1D 向量。

关键字参数

• correction (int, 可选) – 样本大小与样本自由度之间的差异。默认为 Bessel 校正，correction = 1，即使指定了 fweights 和 aweights，也返回无偏估计。correction = 0 将返回简单平均值。默认为 1。

• fweights (tensor, 可选) – 观测向量频率的标量或 1D 张量，表示每个观测值应重复的次数。它的元素数量必须等于 input 的列数。必须具有整数 dtype。如果 None，则忽略。默认为 None。

• aweights (tensor, 可选) – 观测向量权重的标量或 1D 数组。这些相对权重对于被认为“重要”的观测值通常较大，而对于被认为不太“重要”的观测值则较小。它的元素数量必须等于 input 的列数。必须具有浮点 dtype。如果 None，则忽略。默认为 None。

返回

(Tensor) 变量的协方差矩阵。

参见

torch.corrcoef() 归一化协方差矩阵。

示例：

>>> x = torch.tensor([[0, 2], [1, 1], [2, 0]]).T
>>> x
tensor([[0, 1, 2],
        [2, 1, 0]])
>>> torch.cov(x)
tensor([[ 1., -1.],
        [-1.,  1.]])
>>> torch.cov(x, correction=0)
tensor([[ 0.6667, -0.6667],
        [-0.6667,  0.6667]])
>>> fw = torch.randint(1, 10, (3,))
>>> fw
tensor([1, 6, 9])
>>> aw = torch.rand(3)
>>> aw
tensor([0.4282, 0.0255, 0.4144])
>>> torch.cov(x, fweights=fw, aweights=aw)
tensor([[ 0.4169, -0.4169],
        [-0.4169,  0.4169]])