¿Alguien puede informar sobre su experiencia con un estimador de densidad de núcleo adaptativo?
(Hay muchos sinónimos: adaptativo | variable | ancho variable, KDE | histograma | interpolador ...)
La estimación de densidad de kernel variable
dice "variamos el ancho del kernel en diferentes regiones del espacio muestral. Hay dos métodos ..." en realidad, más: vecinos dentro de cierto radio, KNN vecinos más cercanos (K generalmente fijos), árboles Kd, multigrid ...
Por supuesto, ningún método único puede hacer todo, pero los métodos adaptativos parecen atractivos.
Vea, por ejemplo, la bonita imagen de una malla adaptativa 2d en el
método de elementos finitos .
Me gustaría saber qué funcionó / qué no funcionó para datos reales, especialmente> = 100k puntos de datos dispersos en 2d o 3d.
Agregado el 2 de noviembre: aquí hay una gráfica de una densidad "grumosa" (por partes x ^ 2 * y ^ 2), una estimación del vecino más cercano y KDE gaussiano con el factor de Scott. Si bien un (1) ejemplo no prueba nada, sí muestra que NN puede adaptarse a colinas afiladas razonablemente bien (y, usando árboles KD, es rápido en 2d, 3d ...)