核密度估计简介
来源:互联网 发布:上海企业网络推广平台 编辑:程序博客网 时间:2024/05/17 08:24
核密度估计又叫核函数估计。
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。
由给定样本点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,人们假定数据分布符合某种特定的性态,如线性、可化线性或指数性态等,然后在目标函数族中寻找特定的解,即确定回归模型中的未知参数。在参数判别分析中,人们需要假定作为判别依据的、随机取值的数据样本在各个可能的类别中都服从特定的分布。经验和理论说明,参数模型的这种基本假定与实际的物理模型之间常常存在较大的差距,这些方法并非总能取得令人满意的结果。由于上述缺陷,Rosenblatt和Parzen提出了非参数估计方法,即核密度估计方法.由于核密度估计方法不利用有关数据分布的先验知识,对数据分布不附加任何假定,是一种从数据样本本身出发研究数据分布特征的方法,因而,在统计学理论和应用领域均受到高度的重视。
一些比较常用的核函数
均匀核函数 k(x)=1/2,-1≤x≤1 加入带宽h后: kh(x)=1/(2h),-h≤x≤h
三角核函数 k(x)=1-|x|,-1≤x≤1 加入带宽h后: kh(x)=(h-|x|)/h^2,-h≤x≤h
伽马核函数 kxi(x)=[x^(α-1)exp{-xα/xi}]/[(xi/α)^α.Γ(α)]
- 核密度估计简介
- 概率密度估计简介
- 概率密度估计简介
- 概率密度估计简介
- 概率密度函数估计简介
- 概率密度函数估计简介
- 核密度估计原理
- 核密度估计原理
- 核密度估计
- 核密度估计(KDE)
- 核密度估计与自适应带宽的核密度估计
- 非参数密度估计(直方图与核密度估计)
- 核概率密度估计介绍
- matlab实现核密度估计
- python核密度估计(KernelDensity)
- 图像处理基础知识系列之二:核概率密度估计简介
- 核密度估计 Kernel density estimation
- kernel density estimation-核密度估计
- vba class sample
- Mysql行列转换
- 一些有用的小知识点
- 各代通信协议摘要 GSM UMTS LTE
- 对战坦克大战(vc++)
- 核密度估计简介
- Error:APP-FND-00804
- ls显示的时间格式自定义
- 修改系统时间
- Java网络编程框架
- 指针数组和数组指针的区别,非常有用!
- C++虚函数及虚函数表解析
- MySQL列转字符串
- Android Resource处理流程分析-- R.java文件中资源ID的含义