I statistik er estimering af kernedensitet en ikke-parametrisk måde at estimere sandsynlighedstæthedsfunktionen for en tilfældig variabel. Estimering af kernedensitet er et grundlæggende dataudjævningsproblem, hvor der drages slutninger om populationen baseret på en endelig datastikprøve.
Hvordan beregner du kernedensitet?
Kernel Density Estimation (KDE)
Det estimeres simpelthen ved at tilføje kerneværdierne (K) fra alle Xj Med henvisning til ovenstående tabel, KDE for hele datasættet opnås ved at tilføje alle rækkeværdier. Summen normaliseres derefter ved at dividere antallet af datapunkter, som er seks i dette eksempel.
Hvad er en kerne i kernedensitetsestimat?
Mens et histogram tæller antallet af datapunkter i noget arbitrære områder, er et kernedensitetsestimat en funktion defineret som summen af en kernefunktion på hvert datapunktKernefunktionen udviser typisk følgende egenskaber: Symmetri sådan, at K (u)=K (− u).
Hvorfor bruger vi estimering af kernedensitet?
Kernedensitetsestimering er en teknik til estimering af sandsynlighedstæthedsfunktion, der er et must-have, som gør det muligt for brugeren bedre at analysere den undersøgte sandsynlighedsfordeling end ved brug af et traditionelt histogram.
Hvad er gaussisk kernedensitetsestimat?
Plottet nederst til højre viser et gaussisk kernedensitetsestimat, hvor hvert punkt bidrager med en gaussisk kurve til totalen Resultatet er et jævnt tæthedsestimat, som er afledt af data og fungerer som en kraftfuld ikke-parametrisk model for fordelingen af point.
