Scipy：不同核密度估计方法的比较？

Question

在python中，有几种方法可以进行内核密度估计，我想知道它们之间的区别，并做出一个好的选择。在

它们是：

1. 在scipy.stats.高斯分布, http://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.gaussian_kde.html

2. 在sklearn.neighbors.KernelDensity，http://scikit-learn.org/stable/modules/generated/sklearn.neighbors.KernelDensity.html#sklearn.neighbors.KernelDensity

3. statsmodel公司 http://statsmodels.sourceforge.net/stable/nonparametric.html#kernel-density-estimation

我想我们可以和1d, 2d、bandwidth selection、Implementation和{}相比较

我只有sklearn.neighbors.KernelDensity的经验。我知道的是：

速度通常很快，可以在多维上执行，但在决定带宽方面没有帮助。在

我看了scipy.kde，好像有一个带宽选择方法。在

Answer 1

选择模型超参数的“sklearn方法”是网格搜索，通过交叉验证来选择最佳值。看看http://mark-kay.net/2013/12/24/kernel-density-estimation/一个如何将其应用于核密度估计的示例。在

Answer 2

看起来文章Kernel Density Estimation in Python正是您要找的：

I'm going to focus here on comparing the actual implementations of KDE currently available in Python. (...) four KDE implementations I'm aware of in the SciPy/Scikits stack:

• In SciPy: gaussian_kde.
• In Statsmodels: KDEUnivariate and KDEMultivariate.
• In Scikit-learn: KernelDensity.

Each has advantages and disadvantages, and each has its area of applicability.