-
kernel density estimation (작성중)카테고리 없음 2019. 10. 1. 17:24
(seaborn의 1차원 실수 플롯에서 묘사하는 커널 밀도 기능에 대해 알아보다가)
Seaborn - 1차원 분포 플롯
1차원 데이터는 실수 값이면 히스토그램과 같은 실수 분포 플롯으로 나타내고, category 값이면 count 플롯으로 나타낸다.
(실수값 -> 히스토그램 / 범주값 -> count)
-1차원 실수 분포 플롯
실수 분포 플롯은 자료의 분포를 묘사하기 위한 것으로, matplotlib의 단순한 히스토그램과 달리 커널 밀도(kernel density) 및 러그 표시 기능 및 다차원 복합 분포 기능 등을 제공한다.
- Kernel density estimation
In statistics, kernel density estimation is a non-parametric way to estimate the probability density function of a random variable.
Kernel density estimation is a fundamental data smoothing problem where inferences about the population are made, based on a finite data sample.Kernel density estimates are closely related to histograms, but can be endowed with properties such as smoothness or contiunity by using a suitable kernel.
https://en.wikipedia.org/wiki/Kernel_density_estimation
Kernel density estimation - Wikipedia
In statistics, kernel density estimation (KDE) is a non-parametric way to estimate the probability density function of a random variable. Kernel density estimation is a fundamental data smoothing problem where inferences about the population are made, base
en.wikipedia.org
커널 밀도 추정은 유한한 데이터 샘플을 기반으로, 모집단에 대한 추론을 하는 것과 같음.
커널 밀도 추정치는 히스토그램과 밀접한 관련이 있는데, '적절한 커널'을 사용하여 연속성의 속성을 부여할 수 있다.
커널 밀도 추정치는 데이터 견본에 대한 히스토그램의 6가지 데이터포인트(bin) ...
Q. bin이란?