非参数估计——Parzen窗与k近邻估计

       在做分类问题时，有时候需要使用样本的概率密度函数来求其后验概率。但是很多情况下并不知道其概率密度函数的形式（即样本的分布未知），此时就需要对样本进行非参数估计，来求解其概率密度函数。

       求解未知分布样本的概率密度函数的一种方法是：\(n\)个样本点中，在某点周围取一个区间\(R_{n}\)，计算区间\(R_{n}\)的体积\(V_{n}\)以及落在\(R_{n}\)中的样本的个数\(k_{n}\)，然后就可以求出该点处的概率密度：

\[p(\boldsymbol{x})=\frac{(k_{n}/n)}{V_{n}}\quad \quad \quad(1)\]

       Parzen窗方法就是一种非参数估计的方法，它的主要思想是选取一个窗函数\(\varphi(\boldsymbol{u})\)，通过该窗函数来统计落在所取区间中的样本个数\(k_{n}\)，然后通过公式(1)得到某个点的概率密度。一种窗函数\(\varphi(\boldsymbol{u})\)定义如下：

\[\varphi(\boldsymbol{u})= \begin{cases} \\ 1 \qquad |u_{j}| \leq 0.5; \qquad j = 1,...,d \\\\\\\\ \\ 0 \qquad 其它 \end{cases}\]

其中\(d\)表示空间的维度。若取区间\(R_{n}\)为一个超立方体，它的边长为\(h_{n}\)，则可以通过如下表达式计算\(k_{n}\)：

\[k_{n} = \sum _{i=1} ^{n}\varphi(\frac {\boldsymbol{x}- \boldsymbol{x_{i}}}{h_{n}})\]

因此样本中某点\(\boldsymbol{x}\)处的概率密度为：

\[p(\boldsymbol{x}) = \frac{1}{n} \sum _{i=1} ^{n} \frac{1}{h^d _{n}} \varphi(\frac {\boldsymbol{x}- \boldsymbol{x_{i}}}{h_{n}})\]

       Parzen窗方法的代码实现如下，其中参数\(Data\)为样本总体，\(X\)为需要求概率密度的点坐标，\(h\)为参数，\(d\)为样本空间的维度，\(f\)为窗函数\(\varphi(\boldsymbol{u})\)。

def Parzen(Data, X, h, d, f) :
    Prob = []
    n = len(Data)
    for x in X :
        p = 0.0
        for s in Data :
            p += f((s-x)/h)
        Prob.append(p / (n * (h**d)))
    return np.array(Prob) 

如下代码是上述\(\varphi(\boldsymbol{u})\)函数的实现，即判断当前样本点是否落在了所取的超立方体空间中：

def cube(u) :
    T = abs(u)
    if all(t <= 0.5 for t in T) :
        return 1
    else :
        return 0

       窗函数\(\varphi(\boldsymbol{u})\)的形式可以有很多方式，但必须满足如下的性质，以此保证最终求解的概率密度函数是合理的。

\[\varphi(\boldsymbol{u}) \geq 0 \quad 以及 \quad \int \varphi(\boldsymbol{u})d\boldsymbol{u} = 1\]

例如当样本空间为一维时，我们可以也定义窗函数是一个高斯函数：

\[\varphi(\boldsymbol{u})= \frac{1}{\sqrt{2 \pi}} e^{-u^{2}/2}\]

       Parzen窗方法是给定区间的范围\(h_{n}\)，求落在区间的样本点个数\(k_{n}\)，以此估计概率密度。除了Parzen窗方法外，k近邻估计也可以实现对概率密度函数的估计，与Parzen窗方法不同的是，k近邻估计是先给定要取的样本点的个数\(k_{n}\)，然后求点\(\boldsymbol{x}\)附近包含\(k_{n}\)个样本的区间的范围\(h_{n}\)，最后通过公式(1)求解概率密度。如下是k近邻估计的实现代码，其中参数\(f\)为求解两个点直接距离的函数。

def knn(Data, X, kn, d, f) :
    t = kn / len(Data)
    Prob = []
    for x in X :
        dis = []
        for s in Data :
            dis.append(f(x,s))
        dis.sort()
        v = (dis[kn] * 2) ** d
        Prob.append(t/v)
    return np.array(Prob)

        下图是通过Parzen窗方法和k近邻估计对某个样本（二维正态分布样本随机采样获得）概率密度函数的估计结果。

以上两种非参数估计的Python实现可以在我的GitHub中获取到。

---

1.参考文档：

       [1]. 模式分类              Richard O.Duda 等著       李宏东 等译

转载于:https://www.cnblogs.com/alants/p/10552242.html