커널 밀도 추정

term_id: kernel_density_estimation

Category: basic_concepts

Definition

커널 밀도 추정(KDE)은 이산적인 데이터 점을 부드럽게(smoothing) 하여 연속적인 확률 분포 곡선을 생성하는 기본 통계 기법입니다. 일반적으로 가우시안(Gaussian) 커널 함수와 같은 커널 함수를 각 데이터 점에 배치하고 이를 합산하여 전체 데이터의 확률 밀도를 추정합니다. 히스토그램과 달리 계급(bin)의 선택에 민감하지 않으며 데이터의 실제 분포 형태를 더 자연스럽게 보여줍니다.

Summary

유한한 데이터 표본을 바탕으로 확률 변수의 확률 밀도 함수를 추정하는 비모수적 방법입니다.

Key Concepts

  • 확률 밀도 함수
  • 비모수 통계
  • 부드러운 처리(스무딩)
  • 가우시안 커널

Use Cases

  • 탐색적 데이터 분석(EDA)
  • 단변량 데이터의 이상치 탐지
  • 데이터셋 내 특징(feature) 분포 시각화

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