Hem › Flersprålkigt arkiv Index › Täthetanseende

Täthetanseende

I probability och statistik, täthetanseende är konstruktionen av en bedömning som baseras på observerat data, av ett unobservable bakomliggande probabilitytäthet fungerar. Den unobservable tätheten fungerar tänks av som tätheten som en stor befolkning är utdelad enligt; datan tänks vanligt av som ett stickprov från den befolkning.

En variation av att närma sig till täthetanseende används, däribland Parzen fönster och en spänna av samla i en klunga för data tekniker däribland vektorquantization.

Exempel av täthetanseende

Vi betraktar rekord av förekomsten av sockersjuka. Citeras efter verbatim från datamängd beskrivning:

En befolkning av kvinnor, som var åtminstone 21 år som var gammala, av Pima Det indiska arvet och uppehället nära Phoenix, Arizona, testades för sockersjuka enligt Vård- organisation för värld kriterier. Datan samlades av US-medborgareinstitutet av sockersjuka och digestivkex- och njuresjukdomar. Vi använde de 532 färdiga rekorden.

I detta exempel oss täthetbedömningar för tankeskapelse tre för ”glu” (plasma glukos koncentration), en villkorligt på närvaroen av sockersjuka, understödjaconditionalen på frånvaroen av sockersjuka och conditionalen för third inte på sockersjuka. De villkorliga täthetbedömningarna är är därefter den van vid tankeskapelsen probabilityen av sockersjuka som är villkorlig på ”glu”.

”De glu” datan erhölls från SAMLAS paketerar av R som programmerar språk. Inom ',R, ? Pima.tr och ? Pima.te ge ett mer full konto av datan.

medel av ”glu” i sockersjukafallen är 143.1, och standardavvikelsen är 31.26. Medlet av ”gluen” i desockersjuka fallen är 110.0, och standardavvikelsen är 24.29. Från detta ser vi att, i denna datamängd, sockersjukafall är tillhörande med mer stor jämnar av ”glu”. Ska detta göras mer klar av täppor av den beräknade tätheten fungerar.

Första figurerar showstäthetbedömningar av p(glu | diabetes=1), p(glu | diabetes=0), och p(glu). Täthetbedömningarna är kerneltäthetbedömningar genom att använda en Gaussian kernel. Det är, fungerar en Gaussian täthet förläggas på varje data pekar, och summan av tätheten fungerar beräknas över spänna av datan.

Från tätheten av ”den glu” conditionalen på sockersjuka kan vi erhålla probabilityen av sockersjuka som är villkorlig på ”glu” via Bayes härskar. För korthet ”är sockersjuka” förkortad ”db.”, i denna formel.

Understödja figurerar shows den beräknade senare probabilityen p(diabetes=1 | glu). Från dessa data verkar som om det ett ökande jämnt av ”gluen” är tillhörande med sockersjuka.

Skriva for example

Följaen befaller av R som programmerar språk ska skapa figurerar visat över. Dessa befaller kan skrivas in på befallabetalningspåminnelsen, genom att använda, klipper och klistrar.

arkiv (SAMLAS),
 data (Pima.tr)

 data (Pima.te)

 Pima <- gluen för rbind (Pima.tr, Pima.te
) <- Pima [, ”gluen”]

 d0 <- Pima [, ”typ”] == ”inte”
 d1 <- Pima [, ”typ”] == ”ja”
 base.rate.d1 <- sum (d1)/(summan (d1) + summan (d0))

glu.density <- täthet (gluen)
 glu.d0.density <- täthet (gluen [d0])
 glu.d1.density <- approxfun för täthet (gluen [d1]

) (glu.d0.density$x, glu.d0.density$y) -> glu.d0.f-
approxfun (glu.d1.density$x, glu.d1.density$y) -> glu.d1.f

 p.d.given.glu <- fungera (gluen, base.rate.d1)
 {
p1 <- glu.d1.f (gluen) * base.rate.d1
 p0 <- glu.d0.f (glu) * (1 - base.rate.d1)
 p1/(p0+p1)
}

x <- 1:250
 y <- täppa för p.d.given.glu (x, base.rate.d1
) (x, y, type='l', col='red', xlab='glu', ylab='estimated p (sockersjuka|täppa för glu) '

) (täthet (glu [d0]), ylab='estimate p (glu), p (
glu för col='blue', xlab='glu',|sockersjuka), p (glu|inte sockersjuka) ', main=NA)
 fodrar (täthet (gluen [d1]), col='red')
 fodrar (täthet (gluen))

Se också

• Kerneltäthetanseende

Hänvisar till

• Brian D. Ripley. Mönstra erkännande, och Neural knyter kontakt. Cambridge: Cambridge universitetar Press, 1996.
• Trevor Hastie, Robert Tibshirani och Jerome Friedman. Beståndsdelarna av statistiskt lära. New York: Springer 2001. ISBN 0-387-95284-5. (Se kapitel 6.),
• D.W. Scott. Multivariats- täthetanseende. Teorin övar och Visualization. New York: Wiley 1992.
• B.W. Silverman. Täthetanseende. London: Gårdfarihandlare och Hall, 1986.
• J.W. Smed J.E. Everhart W.C. Dickson W.C. Knowler och R.S. Johannes. ”Genom att använda ADAP-lärande algoritmen för att förutse starten av sockersjukamellitusen”. I Förfaranden av symposiumen på datorprogram i medicinsk vård (Washington, 1988) som är ed. R.A. Greenes pp. 261-265. Los Alamitos, CA: IEEE datorsamhälle Press, 1988.

Utsidan anknyter

• CREEM: Centrera för forskning in i ekologiskt och miljö- modellera Nedladdningar för fri täthetanseendeprogramvara paketerar Distansera 4 (från forskningenheten för djurlivbefolkningbedömningen ”RUWPA”) och Test.
• UCI bearbetar med maskin lärande nöjt summariskt för Repository (Se ”databas för Pima indiersockersjuka” för den original- datamängden av 732 rekord, och extra noterar.),
• Fria Matlab M-sparar för en och tvådimensionellt täthetanseende