Als «kernel-smoothing» getaggte Fragen

Kernel-Glättungstechniken wie die Kernel-Dichteschätzung (KDE) und die Nadaraya-Watson-Kernel-Regression schätzen Funktionen durch lokale Interpolation aus Datenpunkten. Nicht zu verwechseln mit [Kernel-Trick] für die Kernel, die zB in SVMs verwendet werden.

1
Wie heißt die Dichteschätzmethode, bei der alle möglichen Paare verwendet werden, um eine normale Mischungsverteilung zu erstellen?
Ich habe mir gerade eine nette (nicht unbedingt gute) Methode ausgedacht, um eindimensionale Dichteschätzungen zu erstellen, und meine Frage lautet: Hat diese Dichteschätzmethode einen Namen? Wenn nicht, handelt es sich um einen Sonderfall einer anderen Methode in der Literatur? Hier ist die Methode: Wir haben ein Vektor X=[x1,x2,...,xn]X=[x1,x2,...,xn]X = [x_1,x_2,...,x_n] …
4
Schätzung der Kerndichte unter Berücksichtigung von Unsicherheiten
Bei der Visualisierung eindimensionaler Daten wird häufig die Kernel Density Estimation-Technik verwendet, um falsch gewählte Behälterbreiten zu berücksichtigen. Gibt es eine Standardmethode zum Einbeziehen dieser Informationen, wenn mein eindimensionaler Datensatz Messunsicherheiten aufweist? Zum Beispiel (und verzeihen Sie mir, wenn ich kein Verständnis dafür habe), faltet KDE ein Gauß-Profil mit den …
1
Verhältnis von Wahrscheinlichkeiten zu Verhältnis von PDFs
Ich verwende Bayes, um ein Clustering-Problem zu lösen. Nach einigen Berechnungen muss ich das Verhältnis zweier Wahrscheinlichkeiten ermitteln: P(A)/P(B)P(A)/P(B)P(A)/P(B) um . Diese Wahrscheinlichkeiten werden durch die Integration von zwei verschiedenen multivariaten 2D-KDEs erhalten, wie in dieser Antwort erläutert :P(H|D)P(H|D)P(H|D) P ( B ) = ∬ x , y : g …
2
Kernel-Dichteschätzer in 2D integrieren
Ich komme von dieser Frage, falls jemand der Spur folgen möchte. Grundsätzlich habe ich einen Datensatz ΩΩ\Omega bestehend aus NNN Objekten, an die an jedem Objekt eine bestimmte Anzahl von Messwerten angehängt ist (in diesem Fall zwei): Ω=o1[x1,y1],o2[x2,y2],...,oN[xN,yN]Ω=o1[x1,y1],o2[x2,y2],...,oN[xN,yN]\Omega = o_1[x_1, y_1], o_2[x_2, y_2], ..., o_N[x_N, y_N] Ich brauche einen Weg …
1
Wie passt man ein ungefähres PDF (dh: Dichteschätzung) unter Verwendung der ersten k (empirischen) Momente an?
Ich habe eine Situation, in der ich (die ersten) Momente eines Datensatzes schätzen kann und daraus eine Schätzung der Dichtefunktion erstellen möchte.kkk Ich bin bereits auf die Pearson-Distribution gestoßen , habe jedoch festgestellt, dass sie nur auf den ersten vier Momenten beruht (mit einigen Einschränkungen hinsichtlich der möglichen Kombinationen von …
1
Wie lässt sich die Schätzung der Kerneldichte anhand der geografischen Koordinaten richtig berechnen?
Ich muss die 2d-Kernel-Dichteschätzung (kde) aus einer Liste von Breiten- und Längenkoordinaten berechnen. Ein Breitengrad ist jedoch nicht derselbe Abstand wie ein Längengrad. Dies bedeutet, dass die einzelnen Kerne oval sind, insbesondere je weiter der Punkt vom Äquator entfernt ist. In meinem Fall sind die Punkte alle nahe genug beieinander, …
4
Wie kann ich einen Wert zufällig aus einer Kernel-Dichteschätzung ziehen?
Ich habe einige Beobachtungen und möchte anhand dieser Beobachtungen Stichproben nachahmen. Hier betrachte ich ein nicht parametrisches Modell, insbesondere verwende ich die Kernel-Glättung, um eine CDF aus den begrenzten Beobachtungen zu schätzen. Dann ziehe ich zufällige Werte aus der erhaltenen CDF. Das Folgende ist mein Code (die Idee ist, zufällig …
2
Kerndichteschätzung für asymmetrische Verteilungen
Sei Beobachtungen, die aus einer unbekannten (aber sicherlich asymmetrischen) Wahrscheinlichkeitsverteilung stammen.{ x1, … , X.N.}}{x1,…,xN.}}\{x_1,\ldots,x_N\} Ich mag die Wahrscheinlichkeitsverteilung finden , indem Sie den KDE - Ansatz: f ( x ) = 1 Ich habe jedoch versucht, einen Gaußschen Kernel zu verwenden, der jedoch eine schlechte Leistung erbrachte, da er …
4
Animieren des Effekts der Änderung der Kernelbreite in R.
Ich habe einige Daten in R, die in einer Liste gespeichert sind. Überlegen d <- c(1,2,3,4) obwohl dies nicht meine Daten sind. Wenn ich dann den Befehl eingebe plot(density(d, kernel="gaussian", width=1)) dann erhalte ich die Schätzung der Kernelwahrscheinlichkeitsdichte, wobei der Kernel Standardnormal ist. Wenn ich 1 durch andere Zahlen ersetze, …
2
Kernelbandbreite bei der Schätzung der Kerneldichte
Ich mache eine Kernel-Dichteschätzung mit einem Satz gewichteter Punkte (dh jede Probe hat ein Gewicht, das nicht notwendig ist) in N-Dimensionen. Außerdem befinden sich diese Stichproben nur in einem metrischen Raum (dh wir können einen Abstand zwischen ihnen definieren), aber sonst nichts. Zum Beispiel können wir weder den Mittelwert der …
1
Warum sind zufällige Fourier-Merkmale nicht negativ?
Zufällige Fourier-Funktionen liefern Annäherungen an Kernelfunktionen. Sie werden für verschiedene Kernelmethoden wie SVMs und Gaußsche Prozesse verwendet. Heute habe ich versucht, die TensorFlow-Implementierung zu verwenden, und für die Hälfte meiner Funktionen wurden negative Werte angezeigt . So wie ich es verstehe, sollte dies nicht passieren. Also ging ich zurück zum …
2
Vorteil der Kernel-Dichteschätzung gegenüber der parametrischen Schätzung
Gibt es einen bestimmten Grund, warum Sie die Kernel-Dichteschätzung der parametrischen Schätzung vorziehen? Ich habe gelernt, die Verteilung an meine Daten anzupassen. Diese Frage kam zu mir. Meine Datengröße ist mit 7500 Datenpunkten relativ groß. Auto Ansprüche. Mein Ziel ist es, es an eine Verteilung anzupassen (nichtparametrisch oder parametrisch). Verwenden …
Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.