Multivariate kernel-Dichte-Schätzung in Python
Ich versuche, mit SciPy ist gaussian_kde
Funktion zur Schätzung der Dichte der multivariaten Daten. In meinem code unten habe ich Probe ein 3D-multivariate normal und passen die kernel-Dichte, aber ich bin mir nicht sicher, wie bewerten Sie meine Passform.
import numpy as np
from scipy import stats
mu = np.array([1, 10, 20])
sigma = np.matrix([[4, 10, 0], [10, 25, 0], [0, 0, 100]])
data = np.random.multivariate_normal(mu, sigma, 1000)
values = data.T
kernel = stats.gaussian_kde(values)
Sah ich diese aber nicht sicher, wie Sie Sie zu verlängern, um 3D.
Auch nicht sicher, wie ich auch mit der Bewertung der angepassten Dichte? Wie kann ich diese sichtbar zu machen?
Du musst angemeldet sein, um einen Kommentar abzugeben.
Gibt es mehrere Möglichkeiten, die Visualisierung der Ergebnisse in 3D.
Die einfachste ist die Ermittlung der Gauß-KDE-an den Punkten, die Sie verwendet, um zu erzeugen, und dann die Farbe der Punkte durch die Dichte abschätzen.
Beispiel:
Wenn Sie hatte eine komplexe (d.h. nicht alle liegen in einer Ebene) - Verteilung, dann möchten Sie vielleicht zu bewerten, KDE auf eine regelmäßige 3D-Gitter und Visualisierung von isosurfaces (3D-Konturen) des Volumens. Es ist am einfachsten zu verwenden Mayavi für die visualiztion: