ทุกคนสามารถรายงานเกี่ยวกับประสบการณ์ของพวกเขาด้วยการประมาณความหนาแน่นเคอร์เนลแบบปรับได้หรือไม่?
(มีคำพ้องความหมายมากมาย: การปรับตัว | ตัวแปร | ความกว้างของตัวแปร, KDE | ฮิสโตแกรม | เครื่องมือแทรก ...
การประมาณความหนาแน่นของเคอร์เนลตัวแปร
บอกว่า "เราเปลี่ยนแปลงความกว้างของเคอร์เนลในพื้นที่ต่าง ๆ ของพื้นที่ตัวอย่างมีสองวิธี ... " จริง ๆ แล้วเพิ่มเติม: เพื่อนบ้านภายในรัศมีบางเพื่อนบ้าน KNN เพื่อนบ้านที่ใกล้ที่สุด (ปกติ K คงที่) ต้นไม้ Kd multigrid ...
แน่นอนว่าไม่มีวิธีการเดียวที่สามารถทำทุกอย่างได้ แต่วิธีการปรับตัวนั้นดูน่าสนใจ
ดูตัวอย่างภาพที่ดีของตาข่าย 2d การปรับตัวใน
วิธีไฟไนต์เอลิเมนต์
ฉันต้องการฟังสิ่งที่ใช้งานได้ / สิ่งที่ใช้ไม่ได้กับข้อมูลจริงโดยเฉพาะ> = 100k จุดข้อมูลกระจัดกระจายใน 2d หรือ 3d
เพิ่ม 2 พฤศจิกายน: นี่คือพล็อตของความหนาแน่น "clumpy" (ชิ้นส่วน x ^ 2 * y ^ 2), การประมาณเพื่อนบ้านที่ใกล้ที่สุดและ Gaussian KDE ด้วยปัจจัยของสกอตต์ ในขณะที่ตัวอย่างหนึ่ง (1) ไม่ได้พิสูจน์อะไรเลยมันแสดงให้เห็นว่า NN สามารถพอดีกับเนินเขาที่คมชัดพอสมควร (และการใช้ต้นไม้ KD นั้นรวดเร็วในแบบ 2d, 3d ... )