[模式分类] Parzen窗概率密度估计与Kn近邻概率密度估计

最新推荐文章于 2024-06-30 11:30:00 发布

亚尔诺炽焰

最新推荐文章于 2024-06-30 11:30:00 发布

阅读量3.2k

点赞数 3

分类专栏： Pattern Recognition 文章标签：数据

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/wangjianyu0115/article/details/78133869

版权

本文探讨了Parzen窗概率密度估计和k-近邻概率密度估计在数据分类中的作用。在Parzen窗方法中，采用球形高斯函数作为窗函数，对三维数据进行分类。实验设置了h=1和0.1两种情况。而在k-近邻估计中，分别在一维和二维空间中，针对不同数量的样本点和k值（1, 3, 5）展示了概率密度估计的结果。" 94661961,8419256,理解HTTPS：Web安全的守护者,"['Web安全', 'HTTPS协议', '加密技术', '网络通信', '信息安全']

摘要由CSDN通过智能技术生成

4.3.2 考虑到对于表格中的数据进行Parzen窗估计和设计分类器。窗函数为一个球形的高斯函数，如下所示：
φ((x−xi)/h)∝exp[−(x−xi)t(x−xi)/(2h2)]

最低0.47元/天解锁文章

亚尔诺炽焰

关注

3
点赞
踩
13

收藏

觉得还不错? 一键收藏
0
评论
[模式分类] Parzen窗概率密度估计与Kn近邻概率密度估计

4.3.2 考虑到对于表格中的数据进行Parzen窗估计和设计分类器。窗函数为一个球形的高斯函数，如下所示： φ((x−xi)/h)∝exp[−(x−xi)t(x−xi)/(2h2)]\varphi ((x-x_{i})/h) \propto exp[{-(x-x_{i})}^t(x-x_{i})/(2h^2)](a)编写程序，使用Parzen窗估计方法对任意一个的测试样本点x进行分类。对分类器的
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。