Çekirdek yoğunluğu tahmini, bir yerel (bulanık) pencere üzerinde entegrasyon anlamına gelir ve çekirdek yumuşatma, bir yerel (bulanık) pencere üzerinde ortalama anlamına gelir .
Çekirdek yumuşatma:
y~( x ) ∝ 1ρ ( x )Σ K( | | x - xben| | )yben.
Çekirdek yoğunluğu tahmini:
ρ ( x ) ∝ ∑ K( | | x - xben| | ).
Bunlar nasıl?
Boole değerli bir işlevin örneklerini, yani hem "gerçek örnekleri" (her biri birim değerine sahip) hem de "yanlış örnekleri" (her biri sıfır değerine sahip) içeren bir kümeyi düşünün. Toplam örnek yoğunluğunun sabit olduğu varsayıldığında (ızgara gibi), bu işlevin yerel ortalaması , gerçek değerli altkümenin yerel (kısmi-) yoğunluğu ile aynıdır . (Yanlış örnekler, toplama denklemine sıfır terim eklerken, düzeltme denkleminin paydasını sürekli olarak göz ardı etmemize izin verir, böylece yoğunluk tahmin denklemine basitleştirir.)
Benzer şekilde numuneleriniz bir boole tarama cihazında seyrek elemanlar olarak gösterildiyse, tarama cihazına bir bulanıklık filtresi uygulayarak yoğunluklarını tahmin edebilirsiniz.
Bunlar nasıl farklı?
Sezgisel olarak, düzeltme algoritmasının seçiminin, numune ölçümlerinin önemli ölçüm hatası içerip içermediğine bağlı olmasını bekleyebilirsiniz.
Bir uçta (gürültü yok) örnek konumlarında tam olarak bilinen değerler arasında enterpolasyon yapmanız yeterlidir. De, Delaunay üçgenleme (bilinear parça parça enterpolasyonu ile).
Yoğunluk tahmini, zıt uç noktaya benzemektedir, izolasyondaki örneğe o noktada yoğunluk değerinin bir ölçümü eşlik etmediği için tamamen gürültüdür. (Yani basitçe enterpolasyon yapacak bir şey yoktur. Voronoi diyagram hücre alanlarını ölçmeyi düşünebilirsiniz, ancak yumuşatma / gürültü giderme önemli olacaktır.)
Mesele şu ki, benzerliğe rağmen bunlar temelde farklı problemlerdir, bu nedenle farklı yaklaşımlar en uygun olabilir.