Loading AI tools
来自维基百科,自由的百科全书
核密度估计(英語:Kernel density estimation,縮寫:KDE)是在概率论中用来估计未知的密度函数,属於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。
此條目需要精通或熟悉相关主题的编者参与及协助编辑。 (2015年12月14日) |
核密度估计在估计边界区域的时候会出现边界效应。
在单变量核密度估计的基础上,可以建立风险价值的预测模型。通过对核密度估计变异系数的加权处理,可以建立不同的风险价值的预测模型。
一些比较常用的核函数是: 均匀核函数 , 加入带宽后: 。
三角核函数 , 加入带宽后: 。
伽马核函数 。
设为从单变量分布中抽取的独立同分布样本,给定点有未知的概率密度,我们对估计函数的形状感兴趣,其核密度估计器是
其中是非负的核函数,带宽为平滑参数。带下标h的核被称为缩放核,定义为。直觉上讲,在数据允许的范围内应当选择尽可能小的带宽;然而,偏差和方差之间总有所权衡。
常用的核函数有:均匀核(Uniform)、三角核(Triangular)、双权核(Biweight)、三权核(Triweight)、Epanechnikov核、正态核(Normal)等。从均方误差的角度来看,Epanechnikov核是最佳的[1],尽管对于前面列出的核来说,效率的损失很小[2]。由于其数学特性良好,正态核经常被使用,即,其中是标准正态密度函数。
Seamless Wikipedia browsing. On steroids.
Every time you click a link to Wikipedia, Wiktionary or Wikiquote in your browser's search results, it will show the modern Wikiwand interface.
Wikiwand extension is a five stars, simple, with minimum permission required to keep your browsing private, safe and transparent.