kernel-density

0зной

1ответ

эффективно найти эмпирическую плотность() для многих произвольных значений выборок (например, dnorm(), но для эмпирического распределения)

Say вы определили эмпирическую плотность (sample.density) для образца x.sample как в следующем примере: set.seed(1) x.sample <- rnorm(100) sample.density <- density(x.sample) Теперь говорят, что у

0зной

1ответ

Как использовать определяемую пользователем метрику в KernelDensity из scikit-learn (python)

Я использую scikit-learn (0.14) и пытаюсь реализовать определенную пользователем метрику для оценки KernelDensity. Следующий код является примером того, как структурирована мой код: def myDistance(x,y

0зной

1ответ

GridSearchCV с KernelDensity и пользовательским счетчиком дает тот же результат, что и без scorer.

Я использую scikit-slearn 0.14 и пытаюсь реализовать определенную пользователем функцию подсчета для GridSearchCV для оценки. def someScore(gtruth, pred): pred = np.clip(pred, 0, np.inf) log

1зной

1ответ

CDF в зависимости от полосы пропускания, используемой при оценке плотности ядра?

Я не знаю точно, почему cdf имеет разные значения при изменении полосы пропускания в оценке плотности ядра. В приведенном ниже коде я генерирую случайные числа из гауссовского распределения и оцениваю

5зной

1ответ

Разница в 2D KDE, созданная с использованием kde2d (R) и ksdensity2d (Matlab)

При попытке перенести некоторый код из Matlab в R Я столкнулся с проблемой. Суть кода состоит в том, чтобы произвести оценку плотности ядра 2D, а затем выполнить некоторые простые вычисления с использ

2зной

1ответ

Как реализовать оценку плотности ядра в многомерном/3D

У меня есть данные, такие как следующие fromat и im, пытаясь найти оценку плотности ядра с оптимальной пропускной способностью. data = np.array([[1, 4, 3], [2, .6, 1.2], [2, 1, 1.2], [2, 0.5, 1.