Kernel Density Estimation
Gözlemler üzerine ölçeklenmiş çekirdek fonksiyonları yerleştirerek sürekli olasılık yoğunluğu tahmin eden yöntem.
Çekirdek yoğunluk tahmini (KDE), gözlemleri önceden belirlenmiş histogram sınıflarına zorlamadan sürekli bir yoğunluk eğrisi üretir. Tek boyutlu, eşit ağırlıklı örneklem için:
f̂_h(x) = [1/(n×h)] × Σ K((x−x_i)/h)K alanı 1 olan çekirdek fonksiyonu, h>0 bant genişliğidir. Sık kullanılan Gauss çekirdeğinde her gözlem, merkezinde bulunduğu düzgün bir eğriyle katkıda bulunur. Sonuç, belirlenen varsayımlar altında normalleştirilmiş bir yoğunluk tahminidir; tek bir noktadaki eğri yüksekliği olasılık değildir.
Bant genişliği neden belirleyicidir?
Küçük h, gözlemlerin yerel ayrıntısını ve örneklem gürültüsünü vurgular. Büyük h, yakın tepe noktalarını birleştirerek aşırı düzleştirme yapabilir. Bu nedenle bant genişliği seçimi çoğu zaman çekirdek biçiminden daha etkilidir. Çapraz doğrulama, eklenti yöntemleri veya referans kuralları kullanılabilir.
SciPy gaussian_kde için Scott'ın varsayılan ölçek katsayısı, boyut d olduğunda n^(−1/(d+4)) biçimindedir. Bu değer, Scott histogram kuralındaki n^(−1/3) bağımlılığıyla karıştırılmamalıdır.
Yorum sınırları
KDE gerçek dağılımın bilinmeyen şekline ilişkin bir tahmindir. Sınırlı destekli değişkenlerde Gauss çekirdeği fiziksel olarak geçersiz bölgelere yoğunluk taşıyabilir; pozitif süre, oran veya sınırlandırılmış ölçümler için sınır düzeltmeleri gerekebilir. Ayrık veri, çok sayıda tekrar ve yüksek boyutluluk da özel dikkat ister.
Histogram sınıf frekansı, ECDF birikimli gözlem oranı verir. KDE ise düzgünleştirilmiş yoğunluğa odaklanır.