Questions tagged «kde»

这可能是一个幼稚的问题，但这是可行的。如果我有一组经验数据并对其拟合了核密度，然后获得了一个新的单一值，该值可能来自生成原始数据集的同一过程，那么我可以分配一个新值属于该集合的概率吗？ /过程，只需从y轴上读取值即可，其中x轴上的新值与内核密度线相交并除以密度线下的面积？

13 kde 

可视化一维数据时，通常使用内核密度估计技术来考虑不正确选择的bin宽度。 当我的一维数据集具有测量不确定性时，是否有标准方法来合并此信息？ 例如（如果我的理解是天真的，请原谅我）KDE将高斯分布与观测值的三角函数卷积。该高斯核在每个位置之间共享，但是可以改变高斯参数以匹配测量不确定度。有执行此操作的标准方法吗？我希望用宽内核反映不确定的值。σσ\sigma 我只是在Python中实现了此功能，但我不知道执行此操作的标准方法或函数。这种技术有什么问题吗？我确实注意到它给出了一些奇怪的图形！例如 在这种情况下，低值具有较大的不确定性，因此倾向于提供较宽的平坦内核，而KDE会过重权重低（且不确定）的值。

12 uncertainty  kde  kernel-smoothing 

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...）

12 kde  k-nearest-neighbour 

我有一个很多零的数据集，看起来像这样： set.seed(1) x <- c(rlnorm(100),rep(0,50)) hist(x,probability=TRUE,breaks = 25) 我想为其密度画一条线，但是该density()函数使用一个移动窗口来计算x的负值。 lines(density(x), col = 'grey') 有一个density(... from, to)参数，但是这些参数似乎只会截断计算，而不会更改窗口，因此0处的密度与数据一致，如以下图所示： lines(density(x, from = 0), col = 'black') （如果插值被更改，我希望黑线在0处的密度比灰线高） 此功能是否有替代方法可以更好地计算零密度？

10 r  probability  kde