非参数估计 |
您所在的位置:网站首页 › 直方图原理和应用的区别 › 非参数估计 |
当需要估计的概率密度函数的形式未知,比如我们并不能知道样本的分布形式时,我们就无法用最大似然估计方法或贝叶斯估计方法来进行参数估计,而应该用非参数估计方法。这里就介绍三种非参数估计方法。 需要知道的是,作为非参数方法的共同问题是对样本数量需求较大,只要样本数目足够大众可以保证收敛于任何复杂的位置密度,但是计算量和存储量都比较大。当样本数很少时,如果能够对密度函数有先验认识,则参数估计能取得更好的估计效果。 个人总结: 1、非参数估计的目的是求 概率密度函数-----也可以转换理解为如何确定k值,因为确定k值后,根据下面的核心估计公式,确定(估计)概率密度。注:可以理解为,根据k值得确定方式不同,分出了上面三种估计方法。 核心估计公式为: 2、直方图 和 Parzen窗是 先确定区间,再看落入样本数(k值) k近邻估计是 先确定k值 再动态调整(包含k个样本的)区间(区域)大小3、 (1)在Parsen窗中 v=h^3 即h越大,分辨率越低(欠拟合),h越小,稳定性就低些(过拟合)。 这里指的都是 估计的概率密度 与 真实概率密度之间的关系 (2)在k近邻中,k小,则模型复杂,容易过拟合,k大则模型相对简单,容易欠拟合。 附图: 其实最终结果,是比较 估计的密度函数 与 实际密度函数 两者的误差率 参考博客: https://blog.csdn.net/angel_yuaner/article/details/47951111 https://blog.csdn.net/zengxiantao1994/article/details/73196312 https://blog.csdn.net/drrlalala/article/details/45533821 https://blog.csdn.net/yujianmin1990/article/details/47734049 https://blog.csdn.net/liyuefeilong/article/details/45274325 |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |