Herhangi biri uyarlanabilir bir çekirdek yoğunluğu tahmincisi ile deneyimlerini rapor edebilir mi?
(Birçok eşanlamlı vardır: uyarlanabilir | değişken | değişken genişlik, KDE | histogram | enterpolatör ...)
Değişken çekirdek yoğunluğu tahmini
, "örnek alanının farklı bölgelerindeki çekirdeğin genişliğini değiştiririz. İki yöntem vardır ..." aslında, daha fazlası: bazı yarıçaplardaki komşular, KNN en yakın komşuları (K genellikle sabit), Kd ağaçları, multigrid ...
Elbette tek bir yöntem her şeyi yapamaz, ancak uyarlanabilir yöntemler çekici görünür.
Örneğin, Sonlu elemanlar yönteminde uyarlanabilir bir 2d ağın güzel resmine bakınız
.
Gerçek veri için neyin işe yarayıp neyin işe yaramadığını duymak istiyorum, özellikle> = 100k dağınık veri noktaları 2d veya 3d.
2 Kas eklendi: İşte "topaklı" yoğunluk (parçalı x ^ 2 * y ^ 2), en yakın komşu tahmini ve Scott faktörü ile Gauss KDE'nin bir grafiği. Bir (1) örnek hiçbir şeyi kanıtlamasa da, NN'nin keskin tepelere oldukça iyi sığabileceğini gösteriyor (ve KD ağaçlarını kullanarak 2d, 3d'de hızlı ...)