核密度估计

F_D_Z3 个月前
python·信息可视化·数据分析·核密度估计·season·kdeplot
【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6 个月前
长短期记忆神经网络·核密度估计·多变量回归区间预测·lstm-kde
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7 个月前
双向长短期记忆神经网络·核密度估计·多变量回归区间预测·bilstm-kde
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7 个月前
核密度估计·多变量回归区间预测·pso-rf-kde·粒子群优化随机森林
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。
liuzh_buaa8 个月前
sklearn·核密度估计·kde
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10 个月前
cnn-bilstm·核密度估计·多变量时序区间预测·cnn-bilstm-kde·卷积双向长短期神经网络
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10 个月前
cnn-lstm·核密度估计·cnn-lstm-kde·卷积长短期神经网络·多变量时序区间预测
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1 年前
概率论·核密度估计·概率密度函数
【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1 年前
bp神经网络·区间预测·bp-kde·核密度估计·多变量时序
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。