Multivariée estimation de densité du noyau en Python

Je suis en train d'utiliser SciPy est gaussian_kde de la fonction à estimer la densité des données multidimensionnelles. Dans mon code ci-dessous je l'échantillon 3D normale multivariée et s'adapter à la densité du noyau, mais je ne suis pas sûr de savoir comment évaluer ma forme.

import numpy as np
from scipy import stats

mu = np.array([1, 10, 20])
sigma = np.matrix([[4, 10, 0], [10, 25, 0], [0, 0, 100]])
data = np.random.multivariate_normal(mu, sigma, 1000)
values = data.T
kernel = stats.gaussian_kde(values)

J'ai vu cette mais vous ne savez pas comment l'étendre à la 3D.

Aussi vous ne savez pas comment faire, j'ai même commencer à évaluer la monté de la densité? Comment puis-je visualiser ce?

OriginalL'auteur akhil | 2014-02-20

  1. 17

    Il existe plusieurs façons vous pouvez visualiser le résultat en 3D.

    Le plus simple est d'évaluer la gaussienne KDE sur les points que vous avez utilisé pour générer, et puis la couleur des points par la densité de l'estimation.

    Par exemple:

    import numpy as np
from scipy import stats
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

mu=np.array([1,10,20])
sigma=np.matrix([[4,10,0],[10,25,0],[0,0,100]])
data=np.random.multivariate_normal(mu,sigma,1000)
values = data.T

kde = stats.gaussian_kde(values)
density = kde(values)

fig, ax = plt.subplots(subplot_kw=dict(projection='3d'))
x, y, z = values
ax.scatter(x, y, z, c=density)
plt.show()

    Multivariée estimation de densité du noyau en Python

    Si vous aviez de plus en plus complexes (c'est à dire pas tout situé dans un avion), de la distribution, alors vous pouvez évaluer le KDE régulière sur une grille 3D et visualiser des isosurfaces (3D contours) du volume. Il est plus facile d'utiliser Mayavi pour la visualiztion:

    import numpy as np
from scipy import stats
from mayavi import mlab

mu=np.array([1,10,20])
# Let's change this so that the points won't all lie in a plane...
sigma=np.matrix([[20,10,10],
                 [10,25,1],
                 [10,1,50]])

data=np.random.multivariate_normal(mu,sigma,1000)
values = data.T

kde = stats.gaussian_kde(values)

# Create a regular 3D grid with 50 points in each dimension
xmin, ymin, zmin = data.min(axis=0)
xmax, ymax, zmax = data.max(axis=0)
xi, yi, zi = np.mgrid[xmin:xmax:50j, ymin:ymax:50j, zmin:zmax:50j]

# Evaluate the KDE on a regular grid...
coords = np.vstack([item.ravel() for item in [xi, yi, zi]])
density = kde(coords).reshape(xi.shape)

# Visualize the density estimate as isosurfaces
mlab.contour3d(xi, yi, zi, density, opacity=0.5)
mlab.axes()
mlab.show()

    Multivariée estimation de densité du noyau en Python

    Merci joe. Cela a été très utile. Savez-vous si la fonction est robuste pour gérer les données manquantes points ?

    OriginalL'auteur Joe Kington