代码：非参数密度估计的三种python实现 (直方图，核密度估计，K近邻)

Architect_0

于 2021-06-15 21:06:07 发布

阅读量3.6k

点赞数 4

分类专栏：机器学习文章标签： python 数据挖掘无监督学习

本文链接：https://blog.csdn.net/weixin_42388833/article/details/117632284

版权

本文探讨了在数据分布未知的情况下，如何使用Python进行非参数密度估计，包括直方图、核密度估计（不同带宽设置）和K近邻方法（不同k值设定）。数据来源于特定链接，通过这些方法可以更好地理解数据的分布特征。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

我们经常不知道数据是根据什么类型的函数进行分布，此时就需要非参数密度估计的方法。本文对同一组数据进行了三种不同的非参数密度估计，即直方图，核密度估计，K近邻。
使用数据集：
https://download.csdn.net/download/weixin_42388833/19418489?spm=1001.2014.3001.5501

1. 直方图

计算并画出数据分布的直方图（size of bin = 0.02, 0.5, 2.0）

import numpy as np
import matplotlib.pyplot as plt
from scipy.special import logsumexp

def plot_histogram(data_set, bin_size):
    """
    compute and plot the histogram with given size of bin
    :param data_set: given data_set
    :param bin_size: given size of bin
    """
    # compute the number of bins
    bins = ((int(np.max(data_set))+1) - int(np.min(data_set))) // bin_size+1
    #plot
    plt.figure()
    plt.hist(data_set,bins = int(bins))
    plt.title(f'bin_size={bin_size}')
    plt.ylabel('times')
    plt.xlabel('data')
    plt.grid()
    plt.show()


if __name__ == '__main__':
    # load dataset
    train_data = np.loadtxt('nonParamTrain.txt')
    test_data = np.loadtxt('nonParamTest.txt')

    #3a histogram
    size_list=[0.02,0.5,

最低0.47元/天解锁文章