2.8.1. 基本收斂

儘管是協方差矩陣的無偏估計， 最大似然估計不是協方差矩陣的特徵值的一個很好的估計， 所以從反演得到的精度矩陣是不準確的。 有時，甚至出現數學原因，經驗協方差矩陣不能反轉。 為了避免這樣的反演問題，引入了經驗協方差矩陣的一種變換方式：shrinkage 。

在 scikit-learn 中，該變換（具有使用者定義的收縮係數） 可以直接應用於使用 shrunk_covariance 方法預先計算協方差。 此外，協方差的收縮估計可以用 ShrunkCovariance 物件 及其 ShrunkCovariance.fit 方法擬合到資料中。 再次，根據資料是否居中，結果會不同，所以可能要準確使用引數 assume_centered

在數學上，這種收縮在於減少經驗協方差矩陣的最小和最大特徵值之間的比率。 可以通過簡單地根據給定的偏移量移動每個特徵值來完成， 這相當於找到協方差矩陣的l2懲罰的最大似然估計器（l2-penalized Maximum Likelihood Estimator）。在實踐中，收縮歸結為簡單的凸變換： .

選擇收縮量，  相當於設定偏差/方差權衡，下面將討論。