Multivariate Kernel-Dichte-Schätzung in Python

Question

Multivariate Kernel-Dichte-Schätzung in Python

8

Ich versuche SciPys Funktion gaussian_kde zu verwenden, um die Dichte multivariater Daten zu schätzen. In meinem Code unten sample ich einen 3D-multivariaten Normalen und passe die Kerneldichte an, aber ich bin mir nicht sicher, wie ich meinen Fit beurteilen soll.

%Vor%

Ich habe dies gesehen, war mir aber nicht sicher, wie ich es erweitern sollte 3D.

Auch nicht sicher, wie ich überhaupt anfange, die angepasste Dichte zu bewerten? Wie visualisiere ich das?

python numpy kernel-density scipy gaussian

akhil 20.02.2014, 20:14

quelle

1 Antwort

Tags und Links python numpy kernel-density scipy gaussian

Django: Verwenden von Annotate, Count und Distinct in einem Queryset jquery füge VOR dem letzten Element in div ein

score 14 · Accepted Answer

Es gibt verschiedene Möglichkeiten, die Ergebnisse in 3D zu visualisieren.

Am einfachsten ist es, die Gaußsche KDE an den Punkten auszuwerten, mit denen Sie sie erzeugt haben, und dann die Punkte nach der Dichteschätzung zu färben.

Zum Beispiel:

%Vor%

Wenn Sie eine komplexere Verteilung hatten (d. h. nicht alle in einer Ebene liegen), dann sollten Sie die KDE in einem regelmäßigen 3D-Raster auswerten und die Isoflächen (3D-Konturen) des Volumens visualisieren. Es ist am einfachsten, Mayavi für die Visualisierung zu verwenden:

%Vor%