অভিযোজিত কার্নেল ঘনত্বের অনুমানকারী?


12

অভিযোজিত কার্নেল ঘনত্বের প্রাক্কলনকারী দিয়ে কেউ কি তাদের অভিজ্ঞতার বিষয়ে রিপোর্ট করতে পারেন?
(অনেকগুলি প্রতিশব্দ রয়েছে: অভিযোজক | পরিবর্তনশীল | ভেরিয়েবল-প্রস্থ, কে। ডি। হিস্টোগ্রাম | ইন্টারপোলটার ...)

পরিবর্তনশীল কার্নেলের ঘনত্বের অনুমান অনুসারে "আমরা নমুনা ব্যবস্থার বিভিন্ন অঞ্চলে কার্নেলের প্রস্থকে পৃথক করি There দুটি পদ্ধতি রয়েছে ..." আসলে আরও বেশি: কিছু ব্যাসার্ধের প্রতিবেশী, কেএনএন নিকটতম প্রতিবেশী (কে সাধারণত স্থির), কেডি গাছ, মাল্টিগ্রিড ...
অবশ্যই কোনও একক পদ্ধতিই সব কিছু করতে পারে না, তবে অভিযোজিত পদ্ধতিগুলি আকর্ষণীয় দেখায়।
উদাহরণস্বরূপ সুনির্দিষ্ট উপাদান পদ্ধতিতে অভিযোজিত 2 ডি জালের সুন্দর চিত্র দেখুন ।

আমি কী শুনতে / রিয়েল ডেটাগুলির জন্য কী কাজ করে না তা শুনতে চাই বিশেষত> = 2 কে বা 3 ডি তে 100k বিক্ষিপ্ত ডেটা পয়েন্ট।

2 নভেম্বর যুক্ত করা হয়েছে: এখানে একটি "ক্লাম্পি" ঘনত্বের একটি প্লট রয়েছে (টুকরোয়াল x ^ 2 * y ^ 2), নিকটতম-প্রতিবেশী অনুমান, এবং স্কট এর ফ্যাক্টর সহ গাউসিয়ান কে। যদিও একটি (১) উদাহরণ কোনও প্রমাণ দেয় না, এটি দেখায় যে এনএন তীক্ষ্ণ পাহাড়গুলি যথাযথভাবে ফিট করতে পারে (এবং, কেডি গাছগুলি ব্যবহার করে 2 ডি, 3 ডি দ্রুতগতিযুক্ত ...) বিকল্প পাঠ


আপনি "কী কাজ করে" বা আপনার প্রকল্পের নির্দিষ্ট লক্ষ্যগুলি বলতে কী বোঝায় তা কী আপনি alittle আরও প্রসঙ্গ দিতে পারেন? আমি এগুলি স্থানিক পয়েন্ট প্রক্রিয়াগুলি দেখার জন্য ব্যবহার করেছি তবে এই প্রশ্নটি জিজ্ঞাসা করার সময় আপনার মনে মনে সন্দেহ ছিল।
অ্যান্ডি ডব্লিউ

উত্তর:


7

n450np4p মাত্রাগুলির সংখ্যা হ'ল সেটিংস হিসাবে যেখানে ভেরিয়েবল কার্নেল পদ্ধতিটি নির্দিষ্ট প্রস্থের সাথে প্রতিযোগিতামূলক হয়ে ওঠে (আপনার প্রশ্নটি বিচার করে আপনি এই সেটিংসে নেই)।

এই ফলাফলগুলির পিছনে অন্তর্নিহিততাটি হ'ল যদি আপনি খুব বিচ্ছিন্ন সেটিংসে না থাকেন তবে স্থানীয় ঘনত্বটি দক্ষতার ক্ষতির পরিমাণ ছাড়িয়ে যাওয়ার পক্ষে পক্ষপাতের লাভের পক্ষে যথেষ্ট পরিমাণে পৃথক হয় না (এবং তাই ভেরিয়েবলের প্রস্থের কার্নেলের এএমআইএসই তুলনামূলকভাবে বৃদ্ধি পায়) স্থির প্রস্থের AMISE)। এছাড়াও, আপনার বড় আকারের নমুনা আকার দেওয়া (এবং ছোট মাত্রাগুলি) নির্দিষ্ট প্রস্থের কার্নেলটি ইতিমধ্যে খুব স্থানীয় হবে, পক্ষপাতের দিক থেকে কোনও সম্ভাব্য লাভ হ্রাস করবে।


ধন্যবাদ কোয়াক "... গাউসির জন্য বিতরণ করা এলোমেলো পরিবর্তনশীল"; আপনি কি "ক্লাম্পি" বিতরণগুলির জন্য নতুন কাজের বিষয়ে জানবেন?
ড্যানিস

@ ডেনিস:> 'ক্লাম্পি' =? ঘনীভূত =? গাউসের তুলনায় সংকীর্ণ লেজের সাথে?
ব্যবহারকারী 60

আমি কোনও বিশেষজ্ঞ নই, তবে ল্যাং এট আল পত্রিকায় "ডেটা সেট ক্লাম্পনেস" এর মতো, "দ্রুত কার্নেলের ঘনত্বের অনুমানের আলগোরিদিমগুলি অন্তর্দৃষ্টি", 2004, 8 পি
ডেনিস

@ ডেনিস:> আমি বলব যে এটি সমস্যাটিকে সবচেয়ে খারাপ করে তোলে (যেমন এনএন কার্নেল কম ক্লাম্পি ডেটাতে আরও ভাল কাজ করা উচিত)। আমার একটি স্বজ্ঞাত ব্যাখ্যা আছে তবে এটি এখানে খাপ খায় না, আপনি অতিরিক্ত মতামত জানতে একটি পৃথক প্রশ্ন (এটির সাথে সংযুক্ত) হিসাবে মূল বোর্ডে এটি জিজ্ঞাসা করতে চাইতে পারেন।
ব্যবহারকারী 60

0

কাগজটি

ম্যাক্সিম ভি শ্যাপাওয়ালভ, রোল্যান্ড এল ডানব্রাক জুনিয়র, অ্যাডাপটিভ কার্নেল ডেনসিটি অনুমান এবং রেজিস্ট্রেশন, কাঠামো, খণ্ড ১৯, अंक 6, 8 জুন 2011, পৃষ্ঠা 844-858, আইএসএসএন 0969- 2126, 10.1016 / j.str.2011.03.019।

ডেটা বিচ্ছিন্ন যেখানে অঞ্চলগুলিতে তাদের ঘনত্বের অনুমানকে মসৃণ করতে অভিযোজিত কার্নেল ঘনত্বের অনুমান ব্যবহার করে।


-1

লোস / লোয়েস মূলত একটি পরিবর্তনশীল কেডিএ পদ্ধতি, কার্নেলের প্রস্থটি নিকটতম-প্রতিবেশী পদ্ধতির দ্বারা সেট করা হয়। আমি খুঁজে পেয়েছি যে এটি বেশ ভালভাবে কাজ করে, কোনও নির্দিষ্ট-প্রস্থের মডেলের তুলনায় অবশ্যই অনেক ভাল data

কেডিএ এবং বহু-মাত্রিক ডেটা দিয়ে সচেতন থাকার একটি বিষয় হল মাত্রিকতার অভিশাপ। অন্যান্য জিনিস সমান হচ্ছে, সেট ব্যাসার্ধের মধ্যে p ~ 10 এর তুলনায় অনেক কম পয়েন্ট থাকবে যখন পি ~ 2. যখন আপনার কাছে কেবলমাত্র 3 ডি ডেটা থাকে তবে এটি আপনার পক্ষে সমস্যা নাও হতে পারে তবে এটি মনে রাখা উচিত।


3
লোস একটি পরিবর্তনশীল কার্নেল REGRESSION পদ্ধতি। ভেরিয়েবল কার্নেল DENSITY অনুমান সম্পর্কে প্রশ্ন জিজ্ঞাসা করা হয়েছিল।
রব হ্যান্ডম্যান

উফ, আপনি ঠিক বলেছেন। প্রশ্নটি ভুল করে লিখুন।
হংক ওই

@ রব, আমার নিষ্পাপ প্রশ্নগুলি ক্ষমা করুন: কার্নেলের প্রস্থের পরিবর্তিত হলে (কখনও কখনও) স্থানীয় প্রতিরোধ / কার্নেল স্মুথিংয়ের জন্য ভাল হয় তবে ঘনত্বের অনুমানের জন্য এটি কেন খারাপ? ঘনত্বের অনুমানটি চ () == ঘনত্ব () এর জন্য চ () অনুমানের কেস নয়?
ডেনিস

@ হং ওই, এনডিআইএম আপনি কতটি পয়েন্ট ব্যবহার করেছেন? ধন্যবাদ
ড্যানিস

@Denis। দুর্দান্ত প্রশ্ন। আপনি কি দয়া করে সাইটে এটি একটি যথাযথ প্রশ্ন হিসাবে যুক্ত করতে পারেন এবং আমরা দেখতে পাব লোকেরা কী কী উত্তর নিয়ে আসতে পারে।
রব হ্যান্ডম্যান
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.