统计学 > 方法论
[提交于 2014年2月3日
(此版本)
, 最新版本 2014年3月5日 (v2)
]
标题: 基于数据的密度水平集估计的仿真研究比较
标题: A comparative simulation study of data-driven methods for estimating density level sets
摘要: 密度水平集的估计主要采用三种方法之一:插入法、超额质量法或混合方法。 插入法基于用某种非参数估计量(通常是核估计量)替换未知密度的方法。因此,从实用的角度来看,带宽选择是一个基本问题。 近年来,已经提出了特定于水平集的选择器。 然而,如果有关于水平集几何形状的一些先验信息可用,则超额质量算法可能有用。 在这种情况下,不需要密度估计量,并且可以避免带宽选择的问题。 第三种方法是前两种方法的混合体。 与超额质量法类似,它假设水平集有轻微的几何限制,并且像插入法一样,需要密度的试点非参数估计量。 一个有趣但悬而未决的问题是这些方法的实际性能如何。 本文回顾了现有的方法,并提出了两种新的混合算法。 通过广泛的模拟比较了它们的实际表现。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.