稀疏逆协方差矩阵估计（GraphicalLassonCV）

1.本方法适用于相关性不大的特征（对象）的相关行分析，同时，样本数量要比特征数量少。
2.如果相关性比较大的话则适合用shrinkage covariance（缩放相关性分析）

以下为sklearn官方解释：
协方差矩阵的逆矩阵（精度矩阵）与偏相关矩阵正比例，即它能给出数据之间的部分关系。也就是说，如果在一定条件下，两个特征彼此独立，则它们的协方差矩阵的对应系数将为零。

所以，通过从数据中学习独立的关系，可以更好的估计一定条件下的协方差矩阵。这叫做协方差选择。

在小样本条件下（样本量的和特征值在同一个数量级或小于特征的数量级），效果较好。同时，稀疏协方差矩阵计算模型能够恢复非对角线结构。

GraphicalLasso模拟器用L1对精度矩阵实施惩罚，其参数alpha越大，精度矩阵就越稀疏。相应的，GraphicalLassoCV对象使用交叉验证来自动设置参数。

Lasso:least absolute shrinkage and selection. operator,L1正则化（L1 regularization）的线性回归方法，采用L1正则会使得部分学习到的特征权值为0，从而达到稀疏化和特征选择的目的。

协方差估计法有4种，分别为：Empirical covariance,Shrunk Covariance,Sparse inverse covariance,Robust Covariance。可根据实际情况（样本的大小，结构，同质性）选择不同的估计方法。

PS：本文认知有限，写的文章仅为了自己学习，非常欢迎批判交流，但一上来就人身攻击的请绕道。