Ağırlıklı noktalar ayarlanmış (yani her bir numunenin gerekli olmayan bir ağırlığı vardır), N boyutlarında bazı Çekirdek yoğunluk tahmini yapıyorum. Ayrıca, bu örnekler sadece bir metrik uzaydadır (yani, aralarındaki mesafeyi tanımlayabiliriz) ama başka bir şey değildir. Örneğin, numune noktalarının ortalamasını, standart sapmayı veya bir değişkeni diğerine göre ölçekleyemeyiz. Çekirdek sadece bu mesafeden ve her örneğin ağırlığından etkilenir:
Bu bağlamda, çekirdek bant genişliği , muhtemelen mekansal olarak değişen ve tercihen eğitim veri kümesi üzerinde kesin bir yeniden yapılandırma sağlayan sağlam bir tahmin bulmaya çalışıyorum . Gerekirse, işlevin nispeten pürüzsüz olduğunu varsayabiliriz.
İlk veya ikinci en yakın komşuya olan mesafeyi kullanmayı denedim ama oldukça kötü sonuçlar veriyor. Bir defaya mahsus optimizasyon ile denedim, ancak Nd'de bu bağlamda optimize etmek için iyi bir önlem bulmakta zorlanıyorum, bu nedenle özellikle eğitim örnekleri için çok kötü tahminler buluyor. Standart sapmayı hesaplayamadığım için normal varsayımı temel alan açgözlü tahmin yapamıyorum. Anizotropik çekirdekler elde etmek için kovaryans matrislerini kullanarak referanslar buldum, ama yine de, bu alanda tutamazdı ...
Birinin bir fikri veya referansı var mı?