Es ist derzeit nicht möglich, scipy.stats.gaussian_kde zu verwenden, um die Dichte einer Zufallsvariablen basierend auf weighted samples zu schätzen. Welche Methoden sind verfügbar, um die Dichte kontinuierlicher Zufallsvariablen basierend auf gewichteten Stichproben zu schätzen?Gewichtete Gaußsche Kerndichte-Schätzung in `python`
Weder sklearn.neighbors.KernelDensity noch statsmodels.nonparametric scheinen gewichtete Stichproben zu unterstützen. Ich modifizierte scipy.stats.gaussian_kde, um heterogene Stichprobengewichte zu ermöglichen, und dachte, dass die Ergebnisse für andere nützlich sein könnten. Ein Beispiel ist unten gezeigt. http://nbviewer.ipython.org/gist/tillahoffmann/f844bce2ec264c1c8cb5 Details
Der gewichtete arithmetische Mittel ist
Die unbiased data covariance matrix ist dann gegeben durch:
Ein ipython Notebook finden Sie hier
kann die Bandbreite wie in scipy von scott oder silverman Regeln gewählt werden. Die Anzahl der zur Berechnung der Bandbreite verwendeten Samples ist jedoch Kish's approximation for the effective sample size.
Schauen Sie sich die Pakete PyQT-Fit und Statistiken für Python. Sie scheinen eine Kerndichte-Schätzung mit gewichteten Beobachtungen zu haben.
Beachten Sie, dass PyQT-Fit ab Version 1.3.4 nur die 1D-Kernel-Dichte-Schätzung unterstützt. – lapis
Haben Sie darüber nachgedacht, die 'scipy' Entwickler zu bitten, Ihren Code in' scipy' oder 'statsmodels' zu integrieren? – cel
Ja, aber ich bin noch nicht dazu gekommen, Resampling und Integration zu implementieren. Sobald das erledigt ist, werde ich eine Pull-Anfrage machen. –
Ich habe an einem ähnlichen Problem gearbeitet, aber mit meinem eigenen Framework, anstatt scipy zu modifizieren. Ich hatte nicht gedacht, Kishs Annäherung zu benutzen. Glaubst du, es ist der beste Bandbreitenschätzer? Es stellt jeden Punkt im Datensatz mit der gleichen effektiven Stichprobengröße neu ein. Ich frage mich, ob eine variable Bandbreite sinnvoller wäre. – Gabriel