Kernel density estimation

term_id: kernel_density_estimation

Category: basic_concepts

Definition

Kernel Density Estimation (KDE) adalah teknik statistik fundamental yang menghaluskan titik-titik data diskrit untuk menciptakan kurva distribusi probabilitas kontinu. Metode ini menempatkan fungsi kernel, biasanya Gaussian

Summary

Metode non-parametrik yang digunakan untuk memperkirakan fungsi kepadatan probabilitas dari variabel acak berdasarkan sampel data terbatas.

Key Concepts

  • Fungsi Kepadatan Probabilitas
  • Statistik Non-parametrik
  • Penghalusan (Smoothing)
  • Kernel Gaussian

Use Cases

  • Analisis Data Eksploratori (EDA)
  • Deteksi anomali pada data univariat
  • Visualisasi distribusi fitur dalam dataset

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