Sa statistics, ang kernel density estimation ay isang non-parametric na paraan para tantyahin ang probability density function ng isang random variable. Ang pagtatantya ng density ng kernel ay isang pangunahing problema sa pag-smoothing ng data kung saan ang mga hinuha tungkol sa populasyon ay ginawa, batay sa isang limitadong sample ng data.
Paano mo kinakalkula ang density ng kernel?
Kernel Density Estimation (KDE)
Ito ay tinatantya lamang sa pamamagitan ng pagdaragdag ng mga kernel value (K) mula sa lahat ng Xj Sa pagtukoy sa talahanayan sa itaas, ang KDE para sa Ang buong set ng data ay nakuha sa pamamagitan ng pagdaragdag ng lahat ng mga halaga ng row. Ang kabuuan ay na-normalize sa pamamagitan ng paghahati sa bilang ng mga data point, na anim sa halimbawang ito.
Ano ang kernel sa kernel density estimate?
Habang binibilang ng histogram ang bilang ng mga punto ng data sa medyo arbitrary na mga rehiyon, ang pagtatantya ng density ng kernel ay isang function na tinukoy bilang ang kabuuan ng kernel function sa bawat data pointAng kernel function ay karaniwang nagpapakita ng mga sumusunod na katangian: Symmetry na K (u)=K (− u).
Bakit tayo gumagamit ng kernel density estimation?
Ang
Ang pagtatantya ng density ng kernel ay isang teknikal para sa pagtatantya ng function ng probability density na kailangang-kailangan na nagbibigay-daan sa user na mas mahusay na masuri ang pinag-aralan na pamamahagi ng probability kaysa kapag gumagamit ng tradisyonal na histogram.
Ano ang pagtatantya ng density ng kernel ng Gaussian?
Ang ibabang kanang plot ay nagpapakita ng isang pagtatantya ng densidad ng kernel ng Gaussian, kung saan ang bawat punto ay nag-aambag ng Gaussian curve sa kabuuang Ang resulta ay isang maayos na pagtatantya ng density na nagmula sa data, at gumagana bilang isang makapangyarihang non-parametric na modelo ng pamamahagi ng mga puntos.