核密度估计

【Python】数据可视化之核密度KDEPlot（Kernel Density Estimate Plot，核密度估计图）是seaborn库中一个用于数据可视化的函数，它基于核密度估计（KDE）这一非参数统计方法来估计数据的概率密度函数。KDEPlot能够直观地展示数据的分布特征，对于单变量和双变量数据均适用。

机器学习之心

LSTM-KDE的长短期记忆神经网络结合核密度估计多变量回归区间预测（Matlab）1.LSTM-KDE的长短期记忆神经网络结合核密度估计多变量回归区间预测（Matlab）。2.含点预测图、置信区间预测图、核密度估计图，区间预测(区间覆盖率PICP、区间平均宽度百分比PINAW),点预测多指标输出(MAE、RMSE、 MSE),多输入单输出。

机器学习之心

BiLSTM-KDE的双向长短期记忆神经网络结合核密度估计多变量回归区间预测（Matlab）1.BiLSTM-KDE的双向长短期记忆神经网络结合核密度估计多变量回归区间预测（Matlab）。2.含点预测图、置信区间预测图、核密度估计图，区间预测(区间覆盖率PICP、区间平均宽度百分比PINAW),点预测多指标输出(MAE、RMSE、 MSE),多输入单输出。

机器学习之心

区间预测 | PSO-RF-KDE的粒子群优化随机森林结合核密度估计多变量回归区间预测（Matlab）1.Matlab实现PSO-RF-KDE的粒子群优化随机森林结合核密度估计多变量回归区间预测，基于PSO-RF-KDE多变量回归区间预测，PSO-RF-KDE的核密度估计下置信区间预测。

KDE算法解析核密度估计（Kernel Density Estimation, KDE）算法通过样本估计这些样本所属的概率密度函数，是non-parametric方法，也就是在进行估计时无需假设分布的具体形式。本文只讨论单变量（univariate）。

机器学习之心

区间预测 | Matlab实现CNN-BiLSTM-KDE的卷积双向长短期神经网络结合核密度估计多变量时序区间预测1.CNN-BiLSTM-KDE多变量时间序列区间预测，基于卷积双向长短期记忆神经网络多变量时序区间预测，卷积双向长短期记忆神经网络的核密度估计下置信区间预测。 2.含点预测图、置信区间预测图、核密度估计图，区间预测(区间覆盖率PICP、区间平均宽度百分比PINAW),点预测多指标输出(R2、MAE、MAPE、MBE、 MSE),多输入单输出。 3.运行环境为Matlab2021b及以上； 4.输入多个特征，输出单个变量，考虑历史特征的影响，多变量时间序列区间预测； 5.data为数据集，main.m为主

机器学习之心

区间预测 | Matlab实现CNN-LSTM-KDE的卷积长短期神经网络结合核密度估计多变量时序区间预测1.CNN-LSTM-KDE多变量时间序列区间预测，基于卷积长短期记忆神经网络多变量时序区间预测，卷积长短期记忆神经网络的核密度估计下置信区间预测。 2.含点预测图、置信区间预测图、核密度估计图，区间预测(区间覆盖率PICP、区间平均宽度百分比PINAW),点预测多指标输出(R2、MAE、MAPE、MBE、 MSE),多输入单输出。 3.运行环境为Matlab2021b及以上； 4.输入多个特征，输出单个变量，考虑历史特征的影响，多变量时间序列区间预测； 5.data为数据集，main.m为主程序，运行即

拾一滴清水

【概率统计】如何理解概率密度函数及核密度估计直方图（Histogram）：直方图是最直观的一种方法，它通过把数据划分为若干个区间，并统计每个区间的数据个数，从而得到每个区间的频数。这样就形成了一个个的矩形，高度代表频数，宽度代表区间，面积代表数据量。但是直方图的缺点是对区间的选择敏感，不同的区间选择会得到不同的图形。

机器学习之心

区间预测 | Matlab实现BP-KDE的BP神经网络结合核密度估计多变量时序区间预测1.BP-KDE多变量时间序列区间预测，基于BP神经网络多变量时序区间预测，BP神经网络的核密度估计下置信区间预测。 2.含点预测图、置信区间预测图、核密度估计图，区间预测(区间覆盖率PICP、区间平均宽度百分比PINAW、),点预测多指标输出(MAE、RMSE、 MSE),多输入单输出。 3.运行环境为Matlab2018b及以上； 4.输入多个特征，输出单个变量，考虑历史特征的影响，多变量时间序列区间预测； 5.data为数据集，main.m为主程序，运行即可,所有文件放在一个文件夹。