Scikit learn LDA协方差矩阵与计算的协方差矩阵不匹配

我希望更好地理解scikit learn的LDA对象返回的协方差属性

我确信我遗漏了一些东西，但我希望它是与输入数据相关联的协方差矩阵。但是，当我将.convariace_u与numpy.cov（）返回的协方差矩阵进行比较时，我得到了不同的结果

谁能帮我理解我错过了什么？感谢并乐意提供更多信息

请找一个简单的例子来说明下面的差异

import numpy as np
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis

# Sample Data
X = np.array([[-1, -1], [-2, -1], [-3, -2], [1, 1], [2, 1], [3, 2]])
y = np.array([1, 1, 1, 0, 0, 0])

# Covariance matrix via np.cov
print(np.cov(X.T))

# Covariance matrix via LDA
clf = LinearDiscriminantAnalysis(store_covariance=True).fit(X, y)
print(clf.covariance_)

---

在

sklearn.判别分析.线性判别分析中，协方差计算如下：

[1]中的
：将numpy作为np导入
…：cov=np.zero（shape=（X.shape[1]，X.shape[1]））
…：对于np中的c。唯一（y）：
…：Xg=X[y==c，：]
…cov+=np.count\u非零（y==c）/len（y）*np.cov（Xg.T，偏差=1）
…：打印（cov）
数组（[[0.666667,0.33333333]，
[0.33333333, 0.22222222]])  

因此，它对应于每个单独类别的协方差乘以先验值的总和，先验值是类别频率。请注意，这是LDA的一个参数。
谢谢，这很有帮助。看起来他们是对特定类别的协方差矩阵进行加权平均，通过先验值进行加权。你有没有发现为什么他们选择这种方法而不是上面np.cov（）生成的协方差矩阵？这是内部散射矩阵（）的定义。正如你所说，这是协方差的平均值，在对问题建模时（在LDA中）是共享的。如果您使用的是QDA，则每个类的协方差矩阵都不同。完整数据的协方差不考虑类标签。因此，它们确实是建模问题的三种方法。