Оценка плотности ядра означает интегрирование по локальному (нечеткому) окну, а сглаживание ядра означает усреднение по локальному (нечеткому) окну.
Y~( х ) ∝ 1ρ ( х )∑ К( | | х - хя| | )Yя,
Оценка плотности ядра:
ρ ( x ) ∝ ∑ K( | | х - хя| | ),
Как они одинаковы?
Рассмотрим образцы булевозначной функции, то есть набора, содержащего как «истинные выборки» (каждая со значением единицы), так и «ложные выборки» (каждая с нулевым значением). Предполагая, что общая плотность выборки постоянна (как сетка), локальное среднее значение этой функции тождественно пропорционально локальной (частичной) плотности истинно значимого подмножества. (Ложные выборки позволяют нам постоянно игнорировать знаменатель уравнения сглаживания, при этом добавляя нулевые члены к суммированию, чтобы оно упрощалось в уравнении оценки плотности.)
Точно так же, если ваши выборки были представлены как разреженные элементы в булевом растре, вы могли бы оценить их плотность, применив к растру фильтр размытия.
Чем они отличаются?
Интуитивно можно ожидать, что выбор алгоритма сглаживания будет зависеть от того, содержат ли измерения выборки существенную ошибку измерения.
В одном крайнем случае (без шума) вам просто нужно интерполировать между точно известными значениями в точках выборки. Скажем, с помощью триангуляции Делоне (с билинейной кусочной интерполяцией).
Оценка плотности напоминает противоположную крайность, это полностью шум, так как выборка в отдельности не сопровождается измерением значения плотности в этой точке. (Так что нечего просто интерполировать. Вы можете подумать об измерении площадей ячеек Вороного, но сглаживание / удаление шума все равно будет важно ..)
Дело в том, что, несмотря на сходство, это принципиально разные проблемы, поэтому разные подходы могут быть оптимальными.