Scipy：不同核密度估算方法的比较？

Question

在python中，有几种做核密度估计的方法，我想知道它们之间的差异，并做出一个很好的选择。

他们是：

1. scipy.stats.gaussian_kde， http://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.gaussian_kde.html

2. sklearn.neighbors.KernelDensity，http://scikit-learn.org/stable/modules/generated/sklearn.neighbors.KernelDensity.html#sklearn.neighbors.KernelDensity

3. statsmodel http://statsmodels.sourceforge.net/stable/nonparametric.html#kernel-density-estimation

我认为我们可以与1d, 2d，bandwidth selection，Implementation和performance进行比较

我只有sklearn.neighbors.KernelDensity的经验。这就是我所知道的：

速度通常很快，并且可以在多维上执行，但在决定带宽时没有帮助。

我查看scipy.kde，似乎有一个带宽选择方法。

Answer 1

＆＃34; sklearn方式＆＃34;选择模型超参数是网格搜索，通过交叉验证来选择最佳值。请查看http://mark-kay.net/2013/12/24/kernel-density-estimation/，了解如何将其应用于核密度估算。

Answer 2

看起来Kernel Density Estimation in Python正是您所需要的：

  

在这里，我将专注于比较Python中当前可用的KDE的实际实现。 （...）我在SciPy / Scikits堆栈中了解的四个KDE实现：

     

  
• 在SciPy中：gaussian_kde。
  
• 在统计模型中：KDEUnivariate和KDEMultivariate。
  
• 在Scikit学习中：KernelDensity。
  

     

每个都有优点和缺点，并且每个都有其适用范围。