
R语言与非参数统计(核密度估计)
核密度估计是在概率论中用来估计未知的密度函数,属于非参数检验方法之一,由Rosenblatt (1955)和Emanuel Parzen(1962)提出,又名Parzen窗(Parzen window)。
假设我们有n个数X1-Xn,我们要计算某一个数X的概率密度有多大。核密度估计的方法是这样的:
其中K为核密度函数,h为设定的窗宽。
核密度估计的原理其实是很简单的。在我们对某一事物的概率分布的情况下。如果某一个数在观察中出现了,我们可以认为这个数的概率密度很大,和这个数比较近的数的概率密度也会比较大,而那些离这个数远的数的概率密度会比较小。基于这种想法,针对观察中的第一个数,我们都可以f(x-xi)去拟合我们想象中的那个远小近大概率密度。当然其实也可以用其他对称的函数。针对每一个观察中出现的数拟合出多个概率密度分布函数之后,取平均。如果某些数是比较重要,某些数反之,则可以取加权平均。
但是核密度的估计并不是,也不能够找到真正的分布函数。我们可以举一个极端的例子:在R中输入:
plot(density(rep(0, 1000)))
可以看到它得到了正态分布的曲线,但实际上呢?从数据上判断,它更有可能是一个退化的单点分布。
但是这并不意味着核密度估计是不可取的,至少他可以解决许多模拟中存在的异方差问题。比如说我们要估计一下下面的一组数据:
可以看出它是由300个服从gamma(2,2)与100个gamma(10,2)的随机数构成的,他用参数统计的办法是没有办法得到一个好的估计的。那么我们尝试使用核密度估计:
plot(density(dat),ylim=c(0,0.2))
将利用正态核密度与标准密度函数作对比
得到下图:
(红色的曲线为真实密度曲线)
可以看出核密度与真实密度相比,得到大致的估计是不成问题的。至少趋势是得到了的。如果换用gamma分布的核效果无疑会更好,但是遗憾的是r中并没有提供那么多的核供我们挑选(其实我们知道核的选择远没有窗宽的选择来得重要),所以也无需介怀。
R中提供的核:kernel = c("gaussian", "epanechnikov", "rectangular", "triangular", "biweight","cosine", "optcosine")。
我们先来看看窗宽的选择对核密度估计的影响:
得到下图,我们可以清楚的看到带宽为0.8恰好合适,其余的不是拟合不足便是过拟合。
窗宽究竟该如何选择呢?
我们这里不加证明的给出最佳窗宽选择公式:
(这个基于积分均方误差最小的角度得到的)
这里介绍两个可操作的窗宽估计办法:(这两种方法都比较容易导致过分光滑)
1、 Silverman大拇指法则
这里使用R(phi’’)/sigma^5估计R(f’’),phi代表标准正态密度函数,得到h的表达式:
h=(4/(3n))^(*1/5)*sigma
2、 极大光滑原则
h=3*(R(K)/(35n))^(1/5)*sigma
当然也有比较麻烦的窗宽估计办法,比如缺一交叉验证,插入法等,可以参阅《computational statistics》一书
我们用上面的两种办法得到的窗宽是多少,他的核密度估计效果好吗?
我们还是以上面的混合正态数据为例来看看效果。
使用大拇指法则,将数据n=400,sigma=3.030658,带入公式,h=0.9685291
使用极大光滑原则,假设K为正态核,R(K)=1/(sqrt(2*pi)),h=1.121023
可以看出他们都比我们认为的h=0.8要大一些,作图如下:
plot(density(data,bw=0.9685))
plot(density(data,bw=1.1210))
由我们给出的
以Gauss核为例做核密度估计
用Gauss核做核密度估计的R程序如下(还是使用我们的混合正态密度的例子):
作图如下:
最后说一个R的内置函数density()。其实我觉得如果不是为了简要介绍核密度估计的一些常识我们完全可以只学会这个函数
先看看函数的基本用法:
density(x, ...)
## Default S3 method:
density(x, bw = "nrd0", adjust = 1,
kernel = c("gaussian", "epanechnikov", "rectangular",
"triangular", "biweight",
"cosine", "optcosine"),
weights = NULL, window = kernel, width,
give.Rkern = FALSE,
n = 512, from, to, cut = 3, na.rm = FALSE, ...)
对重要参数做出较为详细的说明:
X:我们要进行核密度估计的数据
Bw:窗宽,这里可以由我们自己制定,也可以使用默认的办法nrd0: Bandwidth selectors for Gaussian kernels。我们还可以使用bw.SJ(x,nb = 1000, lower = 0.1 * hmax, upper = hmax, method = c("ste","dpi"), tol = 0.1 * lower),这里的method =”dpi”就是前面提到过的插入法,”ste”代表solve-the-equationplug-in,也是插入法的改进
Kernel:核的选择
Weights:对比较重要的数据采取加权处理
对于上述混合正态数据data,有
> density(data)
Call:
density.default(x = data)
Data: data (400 obs.); Bandwidth 'bw' = 0.8229
x y
Min. :-7.5040 Min. :0.0000191
1stQu.:-3.5076 1st Qu.:0.0064919
Median : 0.4889 Median :0.0438924
Mean :0.4889 Mean :0.0624940
3rdQu.: 4.4853 3rd Qu.:0.1172919
Max. :8.4817 Max. :0.1615015
知道带宽:h=0.8229(采取正态密度核)那么带入密度估计式就可以写出密度估计函数。
最后以faithful数据集为例说明density的用法:
R数据集faithful是old faithful火山爆发的数据,其中“eruption”是火山爆发的持续时间,waiting是时间间隔
对数据“eruption”做核密度估计
R程序:
知道h= 0.3348
作图:
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10