Kernel-tetthetsestimat

term_id: kernel_density_estimation

Category: basic_concepts

Definition

Kernel-tetthetsestimat (KDE) er en grunnleggende statistisk teknikk som glatter diskrete datapunkter for å lage en kontinuerlig kurve for sannsynlighetsfordeling. Den plasserer en kernefunksjon, typisk en gaussisk funksjon, over hvert datapunkt.

Summary

En ikke-parametrisk metode brukt til å estimere sannsynlighetstetthetsfunksjonen til en tilfeldig variabel basert på et endelig datasett.

Key Concepts

  • Sannsynlighetstetthetsfunksjon
  • Ikke-parametrisk statistikk
  • Glating
  • Gaussisk kerne

Use Cases

  • Utforskende dataanalyse (EDA)
  • Avvikdeteksjon i univariate data
  • Visualisering av funksjonsfordelinger i datasett

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)

Relaterte