При визуализации одномерных данных обычно используется метод оценки плотности ядра для учета неправильно выбранных ширин.
Если в моем одномерном наборе данных есть погрешности измерения, существует ли стандартный способ включения этой информации?
Например (и простите, если мое понимание наивно), KDE сворачивает гауссовский профиль с дельта-функциями наблюдений. Это Gaussian ядро разделяется между каждым адресом, но гауссовой параметр может быть изменен , чтобы соответствовать неопределенности измерений. Есть ли стандартный способ сделать это? Я надеюсь отразить неопределенные значения с широкими ядрами.
Я реализовал это просто в Python, но я не знаю стандартного метода или функции для выполнения этого. Есть ли проблемы в этой технике? Я отмечаю, что это дает некоторые странно выглядящие графики! Например
В этом случае низкие значения имеют большую неопределенность, поэтому стремятся обеспечить широкие плоские ядра, тогда как KDE перевешивает низкие (и неопределенные) значения.