说明

本项目基于Python语言，实现了非参数概率密度估计中的两种方法：①k近邻（k-nearest neighbor）方法；②Parzen窗（Parzen Window）方法。

---

文件树

└─nonparametric_estimation
    │  k_nearest_neighbor.py  # k近邻方法实现
    │  parzen_window.py  # Parzen窗方法实现
    │  utils.py  # 数据生成、处理与可视化的方法实现
    |  main.py  # 主函数
    │
    └─data
          |  samples.txt  # 测试数据集样例

---

运行

生成数据集

• 命令行

  python utils.py
  

• 参数

  is_save = False  # 是否保存到文件
  categories = ['0', '1', '2']  # 类别
  mus = {  # 均值
      categories[0]: [0, 0],
      categories[1]: [10, 10],
      categories[2]: [10, 0]
  }
  covs = {  # 协方差
      categories[0]: [[1, 0], [0, 10]],
      categories[1]: [[10, 0], [0, 1]],
      categories[2]: [[3, 0], [0, 4]]
  }
  sizes = {  # 样本数
      categories[0]: 500,
      categories[1]: 500,
      categories[2]: 500
  }

• 结果样例

  数据参数	样本点分布	概率密度分布

仅运行 kNN 方法

• 命令行

  python k_nearest_neighbor.py
  

• 参数

  size_sample = 1200  # 样本数
  size_kn = 10  # 最近邻的点数

• 结果样例

  运行参数	分类预测	概率密度估计

仅运行 Parzen Window 方法

• 命令行

  python parzen_window.py

• 参数

  size_sample = 1200  # 样本数
  size_window = 10  # 窗宽

• 结果样例

  运行参数	分类预测	概率密度估计

同时运行两种方法

• 命令行

  python main.py
  

• 参数

  size_sample = 1200  # 样本数
  size_kn = 10  # 最近邻的点数
  size_window = 10 # 窗宽

• 结果样例

  kNN 分类预测	Parzen Window 分类预测	数据集分布

  kNN 概率密度估计	Parzen Window 概率密度估计	GT 概率密度