Scott’s Rule

Türkçe karşılığı: Scott KuralıAlan: Veri Sistemleri

Standart sapma ve örneklem büyüklüğünü kullanarak histogram için sınıf genişliği tahmin eden normal referans yöntemi.

Scott Kuralı, histogramı bir yoğunluk tahmin edicisi olarak ele alan yöntemlerden biridir. David W. Scott'ın 1979 tarihli çalışmasında incelenen normal referans yaklaşımının yaygın biçimi şöyledir:

h ≈ 3,49 × σ / n^(1/3)

σ verinin standart sapması, n gözlem sayısı, h önerilen sınıf genişliğidir. Katsayı, σ × (24 × √π / n)^(1/3) ifadesinin yaklaşık değerinden gelir. Buradaki amaç sınıf sayısını doğrudan seçmek değil, ölçüm birimi cinsinden bir genişlik hesaplamaktır.

n=1000, σ=10 için n^(1/3)=10 ve h≈3,49 birim bulunur. Veri açıklığı 70 birimse yaklaşık 20 eşit genişlikli sınıf elde edilir; sınıf sınırları ve yuvarlama kararı sonucu değiştirebilir.

Uç değerlerin etkisi

Standart sapma büyük uç gözlemlerle artabileceğinden Scott genişliği de büyür. Bu, bazı dağılımlarda merkezdeki ayrıntının kaybolmasına yol açabilir. Freedman–Diaconis genişliği IQR üzerinden hesapladığından daha dayanıklı bir karşılaştırma sağlar. Standart sapma sıfırsa Scott ifadesi de geçerli bir pozitif sınıf genişliği üretmez.

KDE ile ad benzerliği

SciPy gaussian_kde içinde kullanılan Scott bant genişliği katsayısı aynı adla anılır; fakat çekirdek yoğunluk tahmininin boyut sayısına göre n^(−1/(d+4)) ölçeğini kullanır. Histogram sınıf genişliğinin n^(−1/3) kuralıyla aynı hesaplama değildir. KDE ve histogram farklı tahmin edicilerdir.