A statisztikában a kernelsűrűség-becslés egy nem-paraméteres módszer egy valószínűségi változó valószínűségi sűrűségfüggvényének becslésére. A kernelsűrűség becslése alapvető adatsimítási probléma, ahol véges adatminta alapján vonnak le következtetéseket a sokaságra.
Hogyan számítja ki a kernel sűrűségét?
Kernel sűrűségének becslése (KDE)
Egyszerűen megbecsülhető az összes Xj-ből származó kernelértékek (K) hozzáadásával A fenti táblázatra hivatkozva a KDE a teljes adatkészletet az összes sorérték hozzáadásával kapjuk meg. Az összeget ezután az adatpontok számának elosztásával normalizáljuk, ami ebben a példában hat.
Mi az a kernel a kernelsűrűség becslésében?
Míg a hisztogram kissé tetszőleges régiókban számolja meg az adatpontok számát, a kernelsűrűség becslése függvény, amely minden adatponton egy kernelfüggvény összegeként van meghatározvaA kernel függvény általában a következő tulajdonságokkal rendelkezik: Szimmetria, hogy K (u)=K (− u).
Miért használunk kernelsűrűség becslést?
A kernelsűrűség-becslés egy valószínűségi sűrűségfüggvény becslésére szolgáló technika, amely elengedhetetlen ahhoz, hogy a felhasználó jobban elemezhesse a vizsgált valószínűségi eloszlást, mint a hagyományos hisztogram használatakor.
Mi a Gauss-kernelsűrűség becslése?
A jobb alsó diagram egy Gauss-magsűrűség-becslést mutat, amelyben minden pont Gauss-görbével járul hozzá a teljes értékhez Az eredmény egy sima sűrűségbecslés, amely a adatok, és a pontok eloszlásának hatékony, nem paraméteres modelljeként működik.
