谁能用自适应核密度估计器报告其经验?
(有很多同义词:自适应|变量|可变宽度,KDE |直方图|插值器...)
可变核密度估计
表示“我们在样本空间的不同区域中改变核的宽度。有两种方法……”实际上更多:更多是在一定半径范围内的邻居,KNN最近邻居(通常是K),Kd树,多重网格...
当然,没有任何一种方法可以做所有事情,但是自适应方法看起来很有吸引力。
例如,参见有限元方法中的自适应2d网格的精美图片
。
我想听听对实际数据有效的/无效的,特别是在2d或3d中> = 100k分散的数据点。
添加11月2日:这是一个“笨拙的”密度(逐段x ^ 2 * y ^ 2),最近邻估计以及高斯KDE与Scott因子的关系图。虽然一(1)个示例没有证明任何内容,但它确实表明NN可以很好地适应陡峭的山丘(并且使用KD树,在2d,3d中速度很快...)