MATLAB算法实战应用案例精讲-【数据分析】核密度估计KDE(附matlab、R语言和python代码实现)

目录

前言

几个高频面试题目

1.如何选择KDE核密度估计的带宽

自适应或可变带宽的核密度估计

 知识储备

1. 直方图方法

 2. 非参数密度估计的一般形式

3. Parzen window与核密度估计

核密度函数的引入

算法思想

核函数

 核回归

一般的核密度估计

带宽h

核密度估计示例

KDE核函数k(.)

使用交叉检验确定带宽

wekipedia上各种核函数的图形

不同内核的比较

KDE算法：索引树

kdeplot()核密度估计图

1.核密度估计图

2.kdeplot函数中的属性值 

应用案例

Arcgis软件支持下的核密度估计

1.数据准备与处理

2，核密度分析

3，核密度分析结果图

4，结果分析

知识拓展

城市公共资源与人口分布的空间适配性分析

1 研究区与数据

2 研究方法

3 结果分析

4 结论与讨论

优缺点

缺点

应用场景

代码实现

python

Seaborn可视化-核密度分布图 seaborn.kdeplot

核密度估计实现图片数字识别

sklearn实现 KDE

使用网格搜索寻找似然估计最大的带宽

matlab

R语言

---

前言

密度估计问题在诸多机器学习与模式识别任务中起着核心作用.核密度估计(Kernel Density Estimation,简称KDE)算法作为当前最有效和应用最广泛的一种非参数密度估计算法,在理论与应用方面都得到了广泛而深入的研究.

核密度估计（Kernel Density Estmation，KDE）认为在一定的空间范围内，某种事件可以在任何位置发生，但是在不同的地理位置上发生的概率是不一样的，如果在某一区域内其事件发生的次数较多则认为此区域内此事件发生的频率高，反之则低。另外根据地理学第一定律，即：距离越近的事物关联越密切，与核心要素越近的位置获取的密度扩张值越大。我们可以把每一个发生的事件看做成一个核心要素，那么在事件发生次数较多的区域，核心要素间的关联性就越强。而核密度估计通过一个函数反映了这一思想。

核密度估计就是估计概率密度函数，从几个样本估计其服从的分布，即求出其概率密度函数，这样就可以求任意区间处的概率了。所以核密度就是一个从具体样本到普遍概率密度的过程，然后再用普遍指导具体的问题。

在实际生活中，核密度估计可以根据某一地区犯罪的集中发生地来预测犯罪率密度较高的地区范围，还可以运用野外调查后所得的某一珍稀物种的地理位置来预测其种群密度较高的地域范围。