[模式分类] Parzen窗概率密度估计与Kn近邻概率密度估计

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((xxi)/h)exp[(xxi)t(xxi)/(2h2)]

  • 3
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值