Kernel tæthedsestimering

term_id: kernel_density_estimation

Category: basic_concepts

Definition

Kernel Tæthedsestimering (KDE) er en fundamental statistisk teknik, der glatter diskrete datapunkter for at skabe en kontinuert kurve for sandsynlighedsfordelingen. Den placerer en kernefunktion, typisk en Gaussisk kerne, over hvert datapunkt.

Summary

En ikke-parametrisk metode til at estimere sandsynlighedstæthedsfunktionen for en stokastisk variabel baseret på et endeligt datasæt.

Key Concepts

  • Sandsynlighedstæthedsfunktion
  • Ikke-parametrisk statistik
  • Glating (Smoothing)
  • Gaussisk kerne

Use Cases

  • Eksplorativ dataanalyse (EDA)
  • Detektion af anomalier i univariate data
  • Visualisering af fordelingen af funktioner i datasæt

Code Example

1
2
3
4
5
6
7

from scipy.stats import gaussian_kde
import numpy as np

data = np.random.normal(0, 1, 100)
kde = gaussian_kde(data)
x_vals = np.linspace(-3, 3, 100)
y_vals = kde(x_vals)

Related