Bayesçi Çekirdek Yoğunluk Tahmini
Bayesian Kernel Density Estimation · Ayrıca şöyle bilinir: Bayesian KDE, BKDE, Bayesian nonparametric density estimation, Bayesian adaptive KDE
Bayesçi Çekirdek Yoğunluk Tahmini (BKDT), bir çekirdek düzelticisi ile bant genişliği parametresi üzerindeki bir Bayesçi önselin birleştirilmesiyle, uzamsal veya niteliksel bir değişkenin olasılık yoğunluk fonksiyonunu tahmin etmek için kullanılan parametrik olmayan bir yöntemdir. Bant genişliği üzerindeki sonsal dağılım, bant genişliğini sabit bir ayar sabiti olarak ele almak yerine nihai yoğunluk tahminine belirsizlik yayar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Düzgün bir uzamsal nokta verisi veya tek değişkenli sürekli veri için düzgün bir yoğunluk yüzeyine ihtiyaç duyduğunuzda ve yoğunluk tahmininin kendisi etrafındaki belirsizlik miktarını prensipli bir şekilde ölçmek istediğinizde Bayesçi KD'yi kullanın. Klasik çapraz doğrulama bant genişliği seçimi gürültülü olduğunda küçük ila orta ölçekli örneklerde veya uzamsal ölçek hakkındaki alan bilgisi bir önsel olarak kodlanabildiğinde özellikle değerlidir. Veri kümesi çok büyükse (n > 50 000) ve hesaplama hızı kritikse veya belirsizlik olmadan basit bir ısı haritası yeterliyse bundan kaçının; bu durumlarda çapraz doğrulanmış bant genişliği ile klasik KD daha pratiktir.
Güçlü yönler & sınırlılıklar
- Bant genişliği belirsizliğini yoğunluk tahminine yayar, tek bir nokta tahmini yerine güven aralıkları sağlar.
- Fenomenin uzamsal ölçeği hakkındaki önsel bilgi, bant genişliği önseli aracılığıyla biçimsel olarak dahil edilebilir.
- Küçük örneklerde çapraz doğrulamadan daha kararlı bant genişliği seçimi.
- Dağılım varsayımları olmaksızın uzamsal ve uzamsal olmayan sürekli verileri işler.
- Bant genişliğinin yerel olarak veri yoğunluğuna göre değiştiği uyarlanabilir Bayesçi KD'ye genişletilebilir.
- Klasik KD'den daha fazla hesaplama gerektirir çünkü bant genişliği sonsalı üzerinden sayısal entegrasyon veya MCMC gerektirir.
- Sonsal sonuçlar, özellikle küçük örneklerde h üzerindeki önselin seçimine duyarlıdır.
- Marjinalleştirilmiş yoğunluk yüzeyinin yorumlanabilirliği, Bayesçi olmayan kitlelere iletmeyi zorlaştırabilir.
- Uzamsal bağımlılık yapısını açıkça modellemez; uzamsal olarak ilişkili veriler için kriging veya uzamsal regresyon daha uygun olabilir.
SSS
Bayesçi KD, sıradan KD'den nasıl farklıdır?
Sıradan KD, tek bir bant genişliği seçer (tipik olarak çapraz doğrulama veya Silverman kuralı ile) ve bunu baştan sona kullanır. Bayesçi KD, bant genişliğini rastgele bir değişken olarak ele alır, üzerine bir önsel yerleştirir ve bant genişliğinin sonsal dağılımı üzerinden yoğunluk yüzeyini ortalar, tek bir yüzey yerine belirsizlik tahminleri üretir.
Bant genişliği için hangi önseli kullanmalıyım?
h üzerinde log-normal veya yarı-normal bir önsel yaygındır çünkü bant genişliği pozitif olmalı ve log-ölçek düzeltmedeki çarpımsal belirsizliği yansıtır. Önsel ortalamasını bir referans bant genişliğinin (örneğin, Silverman'ın kaba kuralı değeri) yakınına ayarlamak ve orta düzeyde bir standart sapma kullanmak makul bir başlangıç noktasıdır, sonrasında önsel duyarlılığı değerlendirilmelidir.
Bayesçi KD, iki boyutta uzamsal veriler için kullanılabilir mi?
Evet. Çekirdek ve bant genişliği parametresi iki boyuta (bir bant genişliği matrisi H) genişletilebilir ve H üzerine bir önsel yerleştirilir. Hesaplama maliyeti artar ancak mantık aynıdır. Çoğu uygulama, skaler bir bant genişliği ve izotropik bir çekirdek kullanarak basitleştirir.
Uzamsal yoğunluk için neden Bayesçi KD yerine kriging kullanmalıyım?
Değişkeniniz örnek konumlarda kaydedilmiş sürekli bir ölçüm olduğunda ve örneklenmemiş konumlardaki değerini enterpole etmek istediğinizde kriging kullanın. Bir nokta örüntünüz (olay konumları) olduğunda ve olayların uzamsal yoğunluğunu veya yoğunluğunu tahmin etmek istediğinizde Bayesçi KD kullanın.
Uygulamada bant genişliği sonsalı nasıl hesaplanır?
Tek-bırak-bir-kere çapraz doğrulama olasılığı, h değerlerinin bir ızgarası üzerinde değerlendirilir, önsel ile birleştirilir ve sonsalı yaklaştırmak için normalleştirilir. Daha yüksek boyutlu bant genişliği matrisleri için, sonsaldan örnekler çekmek üzere MCMC (örneğin, Metropolis-Hastings) kullanılır.
Kaynaklar
- Hjort, N. L., & Glad, I. K. (1995). Nonparametric density estimation with a parametric start. The Annals of Statistics, 23(3), 882–904. DOI: 10.1214/aos/1176324627 ↗
- Kernel density estimation. Wikipedia. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Kernel Density Estimation. ScholarGate. https://scholargate.app/tr/spatial-analysis/bayesian-kernel-density-estimation
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesian Kriging (Model-Based Geostatistics)Mekânsal analiz↔ karşılaştır
- Bayes Uzamsal RegresyonMekânsal analiz↔ karşılaştır
- Sıcak Nokta Analizi (Getis-Ord Gi*)Mekânsal analiz↔ karşılaştır
- Yerel Kriging (Hareketli Pencere Kriging)Mekânsal analiz↔ karşılaştır
- Mekansal OtokorelasyonMekânsal analiz↔ karşılaştır