内核密度得分VS score_samples python scikit

Question

我现在使用scikit learn和python几天，特别是KernelDensity。 一旦模型拟合，我想评估新点的概率。 方法得分（）是为此而做的，但显然不起作用，因为当我输入数组时，条目1数字是输出。 我使用score_samples（）但它很慢。

我认为这个分数不起作用，但我没有技能可以帮助它。如果您有任何想法，请告诉我

Answer 1

score（）使用score_samples（），如下所示：

return np.sum(self.score_samples(X))

所以，这就是为什么你应该在你的情况下使用score_samples（）。

Answer 2

在没有任何代码的情况下，它有点难以辨别，但是：

我们假设您要评估的点数保存在数组X中，并且您有一个内核密度估算值kde，因此请致电：

logprobX = kde.score_samples(X)

但要小心，这些是对数的！ 所以你还需要这样做：

probX = np.exp(logprobX) 

这些值适合您的（最终计算的）直方图。

运行这些线的时间取决于X的长度。在我的机器上，计算7500分的速度非常快。