Kernel density estimation

term_id: kernel_density_estimation

Category: basic_concepts

Definition

Kernel Density Estimation (KDE) is een fundamentele statistische techniek die discrete gegevenspunten gladstrijkt om een continue waarschijnlijkheidsdistributiekromme te creëren. Het plaatst een kernfunctie, meestal een G

Summary

Een niet-parametrische methode om de waarschijnlijkheidsdichtheidsfunctie van een willekeurige variabele te schatten op basis van een eindige steekproef.

Key Concepts

  • Wahrscheinlichheidsdichtheidsfunctie
  • Niet-parametrische Statistiek
  • Gladstrijken
  • Gaussische Kern

Use Cases

  • Verkennde Data-analyse (EDA)
  • Detectie van anomalieën in univariate gegevens
  • Visualiseren van feature-distributies in datasets

Code Example

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)

Gerelateerd