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?

InformationsquelleAutor akhil | 2014-02-20
  1. 19

    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:

    import numpy as np
from scipy import stats
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

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

kde = stats.gaussian_kde(values)
density = kde(values)

fig, ax = plt.subplots(subplot_kw=dict(projection='3d'))
x, y, z = values
ax.scatter(x, y, z, c=density)
plt.show()

    Multivariate kernel-Dichte-Schätzung in Python

    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:

    import numpy as np
from scipy import stats
from mayavi import mlab

mu=np.array([1,10,20])
# Let's change this so that the points won't all lie in a plane...
sigma=np.matrix([[20,10,10],
                 [10,25,1],
                 [10,1,50]])

data=np.random.multivariate_normal(mu,sigma,1000)
values = data.T

kde = stats.gaussian_kde(values)

# Create a regular 3D grid with 50 points in each dimension
xmin, ymin, zmin = data.min(axis=0)
xmax, ymax, zmax = data.max(axis=0)
xi, yi, zi = np.mgrid[xmin:xmax:50j, ymin:ymax:50j, zmin:zmax:50j]

# Evaluate the KDE on a regular grid...
coords = np.vstack([item.ravel() for item in [xi, yi, zi]])
density = kde(coords).reshape(xi.shape)

# Visualize the density estimate as isosurfaces
mlab.contour3d(xi, yi, zi, density, opacity=0.5)
mlab.axes()
mlab.show()

    Multivariate kernel-Dichte-Schätzung in Python

    • Dank joe. Das war sehr hilfreich. Weißt du, ob die Funktion robust zu handhaben fehlende Datenpunkte ?
    • Wie man den Mittelwert des "kde"?
    InformationsquelleAutor Joe Kington
Schreibe einen Kommentar