Ядерное сглаживание (Kernel Density Estimation, KDE) – это процесс нахождения оценочной функции, которая пытается вывести характеристики Генеральной совокупности (Population) на основе конечного набора данных:

Задача сглаживания часто используется в Науке о данных (Data Science), поскольку этот метод позволяет создать сглаженную кривую. Эта функция особенно полезна при моделировании проектов и объектном моделировании.

KDE работает путем построения графика данных и начала создания кривой распределения. Кривая рассчитывается путем взвешивания расстояния между всеми точками в каждом конкретном месте распределения. Если есть больше точек, сгруппированных локально, оценка выше, так как вероятность увидеть точку в этом месте увеличивается. Потому KDE и расшифровывается как Kernel Density Estimation – буквально "Оценка плотности ядра". Функция ядра — это особый механизм, используемый для взвешивания точек в наборе данных. Пропускная способность ядра меняет свою форму. Более низкая полоса пропускания ограничивает объем функции и приводит к тому, что кривая оценки выглядит грубой и зубчатой. Настраивая параметры функции ядра (ширину полосы частот и амплитуду), можно изменить размер и форму оценки.

Метод может включается в процесс Машинного обучения (ML). Например, нейронная сеть может начать обучаться корректировать свои оценки и давать более точные результаты. Поскольку процесс оценки повторяется, оценки ширины полосы и амплитуды постоянно обновляются, чтобы повысить точность расчетной кривой.

Автор оригинальной статьи: deepai.org