Czy ktoś może poinformować o swoich doświadczeniach z adaptacyjnym estymatorem gęstości jądra?
(Istnieje wiele synonimów: adaptacyjny | zmienny | zmienna szerokość, KDE | histogram | interpolator ...)
Zmienne oszacowanie gęstości jądra
mówi: „zmieniamy szerokość jądra w różnych regionach przestrzeni próbki. Istnieją dwie metody ...” w rzeczywistości więcej: sąsiedzi w pewnym promieniu, najbliżsi sąsiedzi KNN (K zwykle ustalony), drzewa Kd, multigrid ...
Oczywiście żadna pojedyncza metoda nie może zrobić wszystkiego, ale metody adaptacyjne wyglądają atrakcyjnie.
Zobacz na przykład ładny obraz adaptacyjnej siatki 2d w
metodzie elementów skończonych .
Chciałbym usłyszeć, co zadziałało / co nie działało w przypadku rzeczywistych danych, zwłaszcza> = 100 tys. Rozproszonych punktów danych w 2D lub 3D.
Dodano 2 listopada: oto wykres „gęstej” gęstości (kawałek x ^ 2 * y ^ 2), oszacowanie najbliższego sąsiada i gaussowskie KDE ze współczynnikiem Scotta. Chociaż jeden (1) przykład niczego nie dowodzi, pokazuje, że NN może dość dobrze pasować do ostrych wzgórz (i przy użyciu drzew KD jest szybki w 2d, 3d ...)