mvksdensity

Ядро, сглаживающее функциональную оценку для многомерных данных

Синтаксис

f = mvksdensity(x,pts,'Bandwidth',bw)
f = mvksdensity(x,pts,'Bandwidth',bw,Name,Value)

Описание

пример

f = mvksdensity(x,pts,'Bandwidth',bw) вычисляет оценку плотности вероятности выборочных данных в n-by-d матричный x, оцененный в точках в pts с помощью необходимого значения аргумента пары "имя-значение" bw для значения пропускной способности. Оценка основана на продукте Гауссова функция ядра.

Для одномерных или двумерных данных используйте ksdensity вместо этого.

пример

f = mvksdensity(x,pts,'Bandwidth',bw,Name,Value) возвращает любой из предыдущих выходных аргументов, с помощью дополнительных опций, заданных одним или несколькими аргументами пары Name,Value. Например, можно задать функциональный тип, который mvksdensity оценивает, такие как плотность вероятности, интегральная вероятность или функция оставшегося в живых. Можно также присвоить веса входным значениям.

Примеры

свернуть все

Загрузите цементные данные Hald.

load hald

Данные измеряют тепло укрепления для 13 различных цементных составов. Матрица предиктора ingredients содержит состав процента для каждого из четырех цементных компонентов. Матрица ответа heat содержит тепло укрепления (в cal\g) после 180 дней.

Оцените плотность ядра для первых трех наблюдений в ingredients.

xi = ingredients(1:3,:);
f = mvksdensity(ingredients,xi,'Bandwidth',0.8);

Загрузите цементные данные Hald.

load hald

Данные измеряют тепло укрепления для 13 различных цементных составов. Матрица предиктора ingredients содержит состав процента для каждого из четырех цементных компонентов. Матрица ответа heat содержит тепло укрепления (в cal/g) после 180 дней.

Создайте массив точек, в которых можно оценить плотность. Во-первых, задайте область значений и располагающий с интервалами для каждой переменной, с помощью подобного числа точек в каждой размерности.

gridx1 = 0:2:22;
gridx2 = 20:5:80;
gridx3 = 0:2:24;
gridx4 = 5:5:65;

Затем, используйте ndgrid, чтобы сгенерировать полную сетку точек с помощью заданной области значений и интервала.

[x1,x2,x3,x4] = ndgrid(gridx1,gridx2,gridx3,gridx4);

Наконец, преобразуйте и конкатенируйте, чтобы создать массив, который содержит точки, в которых можно оценить плотность. Этот массив имеет один столбец для каждой переменной.

x1 = x1(:,:)';
x2 = x2(:,:)';
x3 = x3(:,:)';
x4 = x4(:,:)';
xi = [x1(:) x2(:) x3(:) x4(:)];

Оцените плотность.

f = mvksdensity(ingredients,xi,...
	'Bandwidth',[4.0579 10.7345 4.4185 11.5466],...
	'Kernel','normpdf');

Просмотрите размер xi и f, чтобы подтвердить, что mvksdensity вычисляет плотность в каждой точке в xi.

size_xi = size(xi)
size_xi = 1×2

       26364           4

size_f = size(f)
size_f = 1×2

       26364           1

Входные параметры

свернуть все

Выборочные данные, для которых mvksdensity возвращает оценку плотности вероятности, заданную как n-by-d матрица числовых значений. n является количеством точек данных (строки) в x, и d является количеством размерностей (столбцы).

Типы данных: single | double

Точки, в которых можно оценить плотность вероятности, оценивают f, заданный как матрица с одинаковым числом столбцов как x. Возвращенная оценка f и pts имеет одинаковое число строк.

Типы данных: single | double

Значение для пропускной способности сглаживающего ядро окна, заданного как скалярное значение или d - вектор элемента. d является количеством размерностей (столбцы) в выборочных данных x. Если bw является скалярным значением, он применяется ко всем размерностям.

Если вы задаете 'BoundaryCorrection' как 'log' (значение по умолчанию) и 'Support' или как 'positive' или как матрица 2D строки, mvksdensity преобразовывает ограниченные данные, чтобы быть неограниченным при помощи логарифмического преобразования. Значение bw находится в шкале преобразованных значений.

 Эмпирическое правило Сильвермана для пропускной способности

bi=σi{4(d+2)n}1(d+4),i=1,2,...,d,

где d является количеством размерностей, n является количеством наблюдений, и σi стандартное отклонение i th варьируемая величина [4].

Пример: 'Bandwidth',0.8

Типы данных: single | double

Аргументы в виде пар имя-значение

Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми. Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: 'Kernel','triangle','Function,'cdf' указывает, что mvksdensity оценивает cdf выборочных данных с помощью треугольной функции ядра.

Граничный метод исправления, заданный как пара, разделенная запятой, состоящая из 'BoundaryCorrection' и или 'log' или 'reflection'.

ЗначениеОписание
'log'

mvksdensity преобразовывает ограниченные данные, чтобы быть неограниченным при помощи одного из следующих преобразований. Затем это преобразовывает назад к исходной ограниченной шкале после оценки плотности.

  • Если вы задаете 'Support','positive', то mvksdensity применяет log (xj) для каждой размерности, где xj является j th столбец входного параметра x.

  • Если вы задаете 'Support' как матрицу 2D строки, состоящую из нижних и верхних пределов для каждой размерности, то mvksdensity применяет log ((xj-Lj) / (Uj-xj)) для каждой размерности, где Lj и Uj являются нижними и верхними пределами j th размерность, соответственно.

Значение bw находится в шкале преобразованных значений.

'reflection'

mvksdensity увеличивает ограниченные данные путем добавления отраженных данных около контуров, затем это возвращает оценки, соответствующие исходной поддержке. Для получения дополнительной информации см. Отражательный Метод.

mvksdensity применяет граничное исправление только, когда вы задаете 'Support' как значение кроме 'unbounded'.

Пример: 'BoundaryCorrection','reflection'

Функция, чтобы оценить, заданный как пара, разделенная запятой, состоящая из 'Function' и одно из следующих.

ЗначениеОписание
'pdf'Функция плотности вероятности
'cdf'Кумулятивная функция распределения
'survivor'Функция оставшегося в живых

Пример: 'Function', 'cdf'

Тип ядра, более сглаженного, заданного как пара, разделенная запятой, состоящая из 'Kernel' и одно из следующих.

ЗначениеОписание
'normal' Нормальное (Гауссово) ядро
'box'Ядро поля
'triangle'Треугольное ядро
'epanechnikov'Ядро Епанечникова

Можно также задать функцию ядра, которая является пользовательским или встроенной функцией. Задайте функцию как указатель на функцию (например, @myfunction или @normpdf) или как вектор символов или представьте скаляр в виде строки (например, 'myfunction' или 'normpdf'). Программное обеспечение вызывает заданную функцию с одним аргументом, который является массивом расстояний между значениями данных и местоположениями, где плотность оценена, нормирована пропускной способностью в той размерности. Функция должна возвратить массив, одного размера содержащий соответствующие значения функции ядра.

mvksdensity применяет то же ядро к каждой размерности.

Пример: 'Kernel','box'

Поддержка плотности, заданной как пара, разделенная запятой, состоящая из 'support' и одно из следующих.

ЗначениеОписание
'unbounded'Позвольте плотности расширять по целой действительной строке
'positive'Ограничьте плотность положительными значениями
2 d матрицейЗадайте конечные нижние и верхние границы для поддержки плотности. Первая строка содержит нижние пределы, и вторая строка содержит верхние пределы. Каждый столбец содержит пределы для одной размерности x.

'Support' может также быть комбинацией положительных, неограниченных, и ограниченных переменных, заданных как [0 -Inf L; Inf Inf U].

Пример: 'Support','positive'

Типы данных: single | double | char | string

Веса для выборочных данных, заданных как пара, разделенная запятой, состоящая из 'Weights' и вектор длины size(x,1), где x является выборочными данными.

Пример: 'Weights',xw

Типы данных: single | double

Выходные аргументы

свернуть все

Предполагаемые значения функции, возвращенные как вектор. f и pts имеют одинаковое число строк.

Больше о

свернуть все

Многомерное распределение ядра

Многомерное распределение ядра является непараметрическим представлением функции плотности вероятности (PDF) случайного вектора. Можно использовать распределение ядра, когда параметрическое распределение не может правильно описать данные, или когда это необходимо постараться не делать предположения о распределении данных. Многомерное распределение ядра задано функцией сглаживания и матрицей пропускной способности, которые управляют гладкостью получившейся кривой плотности.

Многомерным средством оценки плотности ядра является предполагаемый PDF случайного вектора. Позвольте x = (x1, x2, …, xd)' быть d - размерный случайный вектор с функцией плотности f и позволить yi = (yi1, yi2, …, yid)' быть случайной выборкой, чертившей от f для i = 1, 2, …, n, где n является количеством случайных выборок. Для любых векторов действительных чисел x многомерным средством оценки плотности ядра дают

f^H(x)=1ni=1nKH(xyi),

где KH(x)=|H|1/2K(H1/2x), K(·) функция сглаживания ядра, и H является d-by-d матрица пропускной способности.

mvksdensity использует диагональную матрицу пропускной способности и ядро продукта. Таким образом, H1/2 является квадратной диагональной матрицей с элементами вектора (h1, h2, …, hd) на основной диагонали. K(x) принимает форму продукта K(x) = k (x1) k (x2) ⋯k (xd), где k(·) одномерная функция сглаживания ядра. Затем многомерное средство оценки плотности ядра становится

f^H(x)=1ni=1nKH(xyi)=1nh1h2hdi=1nK(x1yi1h1,x2yi2h2,,xdyidhd)=1nh1h2hdi=1nj=1dk(xjyijhj).

Средством оценки ядра для кумулятивной функции распределения (cdf), для любых векторов действительных чисел x, дают

F^H(x)=x1x2xdf^H(t)dtddt2dt1=1ni=1nj=1dG(xjyijhj),

где G(xj)=xjk(tj)dtj.

Отражательный метод

Отражательный метод является граничным методом исправления, который точно находит средства оценки плотности ядра, когда случайная переменная имеет ограниченный носитель. Если вы задаете 'BoundaryCorrection','reflection', mvksdensity использует отражательный метод.

Если вы дополнительно задаете 'Support' как матрицу 2D строки, состоящую из нижних и верхних пределов для каждой размерности, то mvksdensity находит средство оценки ядра можно следующим образом.

  • Если 'Function' является 'pdf', то средство оценки плотности ядра

         f^H(x)=1nh1h2hdi=1nj=1d[k(xjyijhj)+k(xjyijhj)+k(xjyij+hj)] для Lj ≤ xj ≤ Uj,

    где yij=2Ljyij, yij+=2Ujyij, и yij является j th элемент i th выборочные данные, соответствующие x(i,j) входного параметра x. Lj и Uj являются нижними и верхними пределами j th размерность, соответственно.

  • Если 'Function' является 'cdf', то средство оценки ядра для cdf

         F^H(x)=1ni=1nj=1d[G(xjyijhj)+G(xjyijhj)+G(xjyij+hj)G(Ljyijhj)G(Ljyijhj)G(Ljyij+hj)] для Lj ≤ xj ≤ Uj.

  • Чтобы получить средство оценки ядра для функции оставшегося в живых (когда 'Function' является 'survivor'), mvksdensity использует обоих f^H(x) и F^H(x).

Если вы дополнительно задаете 'Support' как 'positive' или матрицу включая [0 inf], то mvksdensity находит средство оценки плотности ядра, заменяя [Lj Uj] на [0 inf] в вышеупомянутых уравнениях.

Ссылки

[1] Лучник, A. W. и А. Аццалини. Прикладные методы сглаживания для анализа данных. Нью-Йорк: Oxford University Press Inc., 1997.

[2] Выступ, P. D. “Оценка ядра функции распределения”. Коммуникации в Статистике – Теория и Методы. Издание 14, Выпуск 3, 1985, стр 605-620.

[3] Джонс, Член конгресса “Простое граничное исправление для оценки плотности ядра”. Статистика и Вычисление. Издание 3, Выпуск 3, 1993, стр 135-146.

[4] Сильверман, B. W. Оценка плотности для статистики и анализ данных. Chapman & Hall/CRC, 1986.

[5] Скотт, D. W. Многомерная оценка плотности: теория, практика и визуализация. John Wiley & Sons, 2015.

Расширенные возможности

Введенный в R2016a

Для просмотра документации необходимо авторизоваться на сайте