机器学习-直方图和核密度估计（Kernel Density Estimates）

1、直方图的问题

①直方图装箱（binning）的过程会导致信息丢失。

②直方图不是唯一的。对比起来比较困难。

③直方图不是平滑的

④直方图不能很好的处理极值

核密度估计（KDE）完全没有上述的问题。

机器学习-直方图和核密度估计（Kernel Density Estimates）

构建KDE需要准备核函数：下面是常用的核函数图形和定义。

机器学习-直方图和核密度估计（Kernel Density Estimates）

构建一个KDE包含两部分：

①把kernel偏移到特定的位置

②设定带宽bindwidth

机器学习-直方图和核密度估计（Kernel Density Estimates）

下图是高斯kernel在不同的带宽和位置的情况下的图形：

机器学习-直方图和核密度估计（Kernel Density Estimates）