核密度估计-Kernel density estimation--精华汇总

最新推荐文章于 2025-06-27 09:51:39 发布
最新推荐文章于 2025-06-27 09:51:39 发布
阅读量1w 收藏 9
点赞数
CC 4.0 BY-SA版权
分类专栏： 思想之光
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/pandav5/article/details/50998304
核密度估计（Kernel Density Estimation, KDE）是一种非参数方法，用于估计随机变量的概率密度函数。通过选择合适的带宽（bandwidth）和核函数（如均匀、三角、Epanechnikov等），KDE能平滑地估计数据分布。正态核因其数学特性常用，但带宽的选择直接影响估计结果的质量。过大会导致平滑过度，过小则可能引入噪声。" 53438359,5669012,Redis与Memcache特性对比详解,"['缓存系统', '数据库', '持久化', '数据结构', '内存管理']

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

wiki:  https://en.wikipedia.org/wiki/Kernel_density_estimation

博客：http://blog.163.com/zhuandi_h/blog/static/1802702882012111092743556/


In statistics, kernel density estimation (KDE) is a non-parametric way to estimate the probability density function of a random variable. Kernel density estimation is a fundamental data smoothing problem where inferences about the population are made, based on a finite data sample.


核密度估计

最低0.47元/天 解锁文章

200万优质内容无限畅学
MATLAB算法实战应用案例精讲-【数据分析】核密度估计KDE(附matlab、R语言和python代码实现)
qq_36130719的博客
01-12 4963
基于新数据环境支持, 运用核密度估计、最近邻分析、多距离空间聚类、协同区位商和两步移动搜索等多种空间量化法, 从适应性和匹配关系两个方面分析深圳市城市公共资源与人口分布的空间适配性。结果表明: 1)不同城市公共资源与人口分布的空间适应性具有明显的相似性, 表现为空间形态、分布模式和邻近效应相似;2)城市公共资源与人口分布的空间匹配关系存在差异, 城市公共资源与人口密度的非匹配特征说明城市公共资源供需关系存在“失配”和“错位”现象。
python概率密度函数参数估计_概率密度估计介绍
weixin_39829073的博客
12-10 2865
在学概率论时，常常会看到各种稀奇古怪的名字，有的书上只介绍了该如何求解，但是从不介绍为什么这么叫以及有什么用，本文就介绍一下概率密度估计是什么以及是干什么用的,主要参考Jason BrownLee大神的一篇博文进行介绍。后面部分名词会以英文缩写形式介绍，汇总如下：概率密度 (probability density, PD)概率密度函数 (probability density function, ...
核密度估计（Kernel Density Estimation, KDE）是一种非参数统计方法
qiy_icbc的博客
01-13 2973
核密度估计（Kernel Density Estimation, KDE）是一种非参数统计方法，用于估计随机变量的概率密度函数。它通过将每个数据点周围的核函数叠加，生成平滑的密度曲线。
核密度估计(Kernel density estimation)
Starworks的专栏
12-15 13万+
核密度估计(Kernel density estimation)简析
核密度估计（Kernel Density Estimation, KDE）理论及介绍
最新发布
qq_42758052的博客
06-27 1045
核密度估计（KDE）是一种非参数密度估计方法，通过将每个数据点视为一个核函数（如高斯核），叠加所有核并归一化，生成平滑的连续概率密度曲线，克服直方图的边界不连续和箱宽敏感问题。
核密度估计 Kernel Density Estimation(KDE)
热门推荐
南极企鹅
11-16 16万+
写在前面给定一个样本集，怎么得到该样本集的分布密度函数，解决这一问题有两个方法： 1.参数估计方法 简单来讲，即假定样本集符合某一概率分布，然后根据样本集拟合该分布中的参数，例如：似然估计，混合高斯等，由于参数估计方法中需要加入主观的先验知识，往往很难拟合出与真实分布的模型； 2.非参数估计 和参数估计不同，非参数估计并不加入任何先验知识，而是根据数据本身的特点、性质来拟合分布
Kernel density estimation 核密度估计
漫游学海之旅
11-10 1万+
kernel density estimation是在概率论中用来估计未知的密度函数，属于非参数检验方法之一，由Rosenblatt (1955)和Emanuel Parzen(1962)提出，又名Parzen窗（Parzen window）。Ruppert和Cline基于数据集密度函数聚类算法提出修订的核密度估计方法。 （先记录一下，下次再补全资料）
kernel density estimation-核密度估计
Img麦浪的专栏
12-02 7517
http://hi.baidu.com/chb_seaok/item/e55e71bff4825d4bba0e120f kernel density estimation-核密度估计 直方图密度估计是较为传统的非参密度估计方法，通常我们的做法： 1 将数据值覆盖的数据区间分成几个等子区间（bin)。 2 一个数据值落到这个相应的子区间，这个子区间块的高度就相应的加一个单位的高度
【Python】机器学习笔记11-核密度估计（Kernel Density Estimation）
weixin_41429999的博客
08-17 1万+
本文的参考资料：《Python数据科学手册》； 本文的源代上传到了Gitee上； 本文用到的包： %matplotlib inline import numpy as np import pandas as pd import seaborn as sns import matplotlib.pyplot as plt import cartopy.crs as ccrs import cartopy.feature as cfeature from cartopy.mpl.geoaxes import
十三、Sklearn核密度估计
Norni的博客
03-21 1399
参考url: https://jakevdp.github.io/PythonDataScienceHandbook/05.13-kernel-density-estimation.html 密度评估器是一种利用D维数据集生成D维概率分布估计的算法，GMM算法用不同高斯分布的加权汇总来表示概率分布估计。核密度估计(kernel density estimation,KDE)算法将高斯混合理念扩展...
核密度估计Kernel Density Estimation(KDE)
kwame211的博客
06-19 1万+
备：密度估计相关知识 密度估计经常在统计学中作为一种基于有限的样本来估计其概率密度函数的方法。 在研究随机变量的过程中，随机变量的概率密度函数的作用是描述随机变量的特性。但是在实际应用中，总体概率密度函数通常是未知的，那么如何来估计总体概率密度呢？一般，我们通过抽样或者采集一定的样本，可以根据统计学知识从样本集合中推断总体概率密度。这种方法统称为概率密度估计，即根据训练样本来确定随机变量的概率分布...
semi-supervised learning with kernel density estimation
07-24
Insufficiency of labeled training data is a major obstacle for automatically annotating large-scale video databases with semantic concepts. Existing semi-supervised learning algorithms based on parametric models try to tackle this issue by incorporating the information in a large amount of unlabeled data. However, they are based on a “model assumption” that the assumed generative model is correct, which usually cannot be satisfied in automatic video annotation due to the large variations of video semantic concepts. In this paper, we propose a novel semi-supervised learning algorithm, named Semi-Supervised Learning by Kernel Density Estimation (SSLKDE), which is based on a non-parametric method, and therefore the “model assumption” is avoided. While only labeled data are utilized in the classical Kernel Density Estimation (KDE) approach, in SSLKDE both labeled and unlabeled data are leveraged to estimate class conditional probability densities based on an extended form of KDE. We also investigate the connection between SSLKDE and existing graph-based semi-supervised learning algorithms. Experiments prove that SSLKDE significantly outperforms existing supervised methods for video annotation.
kernel density estimation based background subtraction
05-28
kernel density estimation based background subtraction algorithm [1] with a command line interface. this algorithm is a developed version of [2]. the kmovingobjdetector class within the project is originally written by birant orten who has graciously allowed me to use his code. i just modified it to suit my purposes. so, if you use any material from this program you should refer both [1] and [2] apart from this web-page. if you compile with __OPENCV__ flag, you'll be able to open avi files. without this flag, you will be able to open just ppm images. the usage.txt explains the input specifications.
scikit-learn学习笔记：Simple 1D Kernel Density Estimation
tianliangjay的专栏
04-22 2999
This example uses the sklearn.neighbors.KernelDensity class to demonstrate the principles of Kernel Density Estimation in one dimension. The first plot shows one of the problems with using histograms
机器学习算法（二十一）：核密度估计 Kernel Density Estimation(KDE)
weixin_39910711的博客
07-13 6万+
1 分布密度函数 给定一个样本集，怎么得到该样本集的分布密度函数，解决这一问题有两个方法： 1.1 参数估计方法 简单来讲，即假定样本集符合某一概率分布，然后根据样本集拟合该分布中的参数，例如：似然估计，混合高斯等，由于参数估计方法中需要加入主观的先验知识，往往很难拟合出与真实分布的模型； 1.2 非参数估计 和参数估计不同，非参数估计并不加入任何先验知识，而是根据数据本身的特点、性质来拟合分布，这样能比参数估计方法得出更好的模型。核密度估计就是非参数估计中的一种，由...
【机器学习】机器学习的基本分类-无监督学习-核密度估计（Kernel Density Estimation, KDE）
IT古董
12-13 2003
核密度估计（KDE）是一种非参数化方法，用于估计数据的概率密度函数（PDF）。与直方图相比，KDE 能够生成平滑的概率密度曲线，是统计数据分析中的重要工具。核密度估计（KDE）是统计分析和机器学习中的重要工具，其平滑、高灵活性的特点，使其成为直方图的强大替代方案。熟悉 KDE 的实现和参数选择，有助于更好地理解数据的分布特征并应用于实际问题。
非参数估计：核密度估计KDE
皮皮blog
12-14 12万+
http://blog.youkuaiyun.com/pipisorry/article/details/53635895核密度估计Kernel Density Estimation(KDE)概述密度估计的问题由给定样本集合求解随机变量的分布密度函数问题是概率统计学的基本问题之一。解决这一问题的方法包括参数估计和非参数估计。参数估计参数估计又可分为参数回归分析和参数判别分析。在参数回归分析中，人们假定数据分布
非参数估计—核密度估计（Kernel Density Estimation）
老哥的博客
03-23 2074
什么是核密度估计？
基于密度的聚类（Density-based clustering）-- 核密度估计（kernel density estimation）
weixin_44746091的博客
06-29 3742
In density-based clustering, clusters are defined as areas of higher density than the remainder of the data set. Objects in sparse areas - that are required to separate clusters-are usually considered to be noise and border points. --wiki 在基于密度的聚类中，聚类定义为密度
在Python中，如何确定核密度估计（Kernel Density Estimation）中的bin数量和宽度？
12-11
在Python中，确定核密度估计（Kernel Density Estimation，简称KDE）中的bin数量和宽度是一个重要步骤，因为它直接影响估计的准确性。以下是一些常用的方法： ### 1. 使用Scott公式 Scott公式是一种常用的方法，它根据数据的标准差和样本数量来计算bin的宽度。 ```python import numpy as np import matplotlib.pyplot as plt from scipy.stats import gaussian_kde # 生成一些示例数据 data = np.random.normal(0, 1, 1000) # 使用Scott公式计算bin宽度 std = np.std(data) n = len(data) bin_width = 3.5 * std / (n ** (1/3)) # 计算bin数量 bin_count = int((np.max(data) - np.min(data)) / bin_width) # 进行KDE kde = gaussian_kde(data) # 生成x轴数据 x = np.linspace(np.min(data), np.max(data), 1000) p = kde(x) # 绘制KDE plt.hist(data, bins=bin_count, density=True, alpha=0.5, label='Histogram') plt.plot(x, p, label='KDE') plt.legend() plt.show() ``` ### 2. 使用Silverman公式 Silverman公式是另一种常用的方法，它对Scott公式进行了改进。 ```python # 使用Silverman公式计算bin宽度 bin_width = (std * (4 / (3 * n)) ** 0.2) # 计算bin数量 bin_count = int((np.max(data) - np.min(data)) / bin_width) ``` ### 3. 使用交叉验证 交叉验证是一种更灵活的方法，可以通过最大化似然函数来选择最佳的bin宽度。 ```python # 使用交叉验证选择bin宽度 def cross_validation_bandwidth(data): from sklearn.model_selection import GridSearchCV grid = GridSearchCV(gaussian_kde, {'bw_method': np.linspace(0.1, 1.0, 30)}, cv=5) grid.fit(data) return grid.best_params_['bw_method'] bandwidth = cross_validation_bandwidth(data) kde = gaussian_kde(data, bw_method=bandwidth) p = kde(x) # 绘制KDE plt.hist(data, bins=bin_count, density=True, alpha=0.5, label='Histogram') plt.plot(x, p, label='KDE') plt.legend() plt.show() ``` ###
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值