- はじめに - 端的にやりたい事を画像で説明すると以下 データ標本から確率密度関数を推定する。 一般的な方法としては、正規分布やガンマ分布などを使ったパラメトリックモデルを想定した手法と、後述するカーネル密度推定(Kernel density estimation: KDE)を代表としたノンパラメトリックな推定手法がある。 本記事ではKDEの理論に加え、Pythonで扱えるKDEのパッケージの調査、二次元データにおける可視化に着目した結果をまとめておく。 - アジェンダ - - はじめに - - アジェンダ - - カーネル密度推定(KDE)とは - - Python KDEパッケージの比較 - 以下利用するデータセット pandas scipy scikit-learn 基本的なKDE Using Kernel GridSearch statsmodels pyqt-fit - 速度比
![Pythonとカーネル密度推定(KDE)について調べたまとめ - Stimulator](https://cdn-ak-scissors.b.st-hatena.com/image/square/a6fff6639921a45bef905034529d95db79d93155/height=288;version=1;width=512/https%3A%2F%2Fcdn-ak.f.st-hatena.com%2Fimages%2Ffotolife%2Fv%2Fvaaaaaanquish%2F20171029%2F20171029162546.png)