从计算的多元核密度估计中采样

Question

假设我在地图上有 X 和 Y 坐标以及“热区”的非参数分布（例如，位于 X 和 Y 坐标处的地理地图上的污染程度）。我的输入数据是热图。

我想训练一个机器学习模型来学习“热区”是什么样子，但我没有很多标记的例子。所有“热区”看起来都非常相似，但可能位于我的标准化 XY 坐标图的不同部分。

我可以计算一个多元 KDE 并相应地绘制密度图。要生成合成标记数据，我是否可以“反转”KDE 并随机生成新的图像文件，其观察值在我的 KDE 的“密集”范围内？

有没有办法在python中做到这一点？

Answer 1

至少有 3 种高质量的内核密度估计实现可用于 Python：

• scipy
• scikit 学习
• 统计模型

我的个人排名是statsmodels > scikit-learn > scipy（最好到最差），但这取决于您的用例。

一些随机评论：

• scikit-learn 免费提供来自安装好的 KDE 的采样 ( kde.sample(N))
• scikit-learn 提供了基于网格搜索或随机搜索的良好交叉验证功能（强烈推荐交叉验证）
• statsmodels 提供基于优化的交叉验证方法（对于大数据集可能很慢；但准确度很高）

有更多的差异，其中的一些在这个很好的进行分析的博客文章由杰克VanderPlas。下表是这篇文章的摘录：

^{来自：https ://jakevdp.github.io/blog/2013/12/01/kernel-density-estimation/（作者：Jake VanderPlas）}

下面是一些使用scikit-learn 的示例代码：

from sklearn.datasets import make_blobs
from sklearn.neighbors import KernelDensity
from sklearn.model_selection import GridSearchCV
import matplotlib.pyplot as plt
import numpy as np

# Create test-data
data_x, data_y = make_blobs(n_samples=100, n_features=2, centers=7, cluster_std=0.5, random_state=0)

# Fit KDE (cross-validation used!)
params = {'bandwidth': np.logspace(-1, 2, 30)}
grid = GridSearchCV(KernelDensity(), params)
grid.fit(data_x)
kde = grid.best_estimator_
bandwidth = grid.best_params_['bandwidth']

# Resample
N_POINTS_RESAMPLE = 1000
resampled = kde.sample(N_POINTS_RESAMPLE)

# Plot original data vs. resampled
fig, axs = plt.subplots(2, 2, sharex=True, sharey=True)

for i in range(100):
    axs[0,0].scatter(*data_x[i])
axs[0,1].hexbin(data_x[:, 0], data_x[:, 1], gridsize=20)

for i in range(N_POINTS_RESAMPLE):
    axs[1,0].scatter(*resampled[i])
axs[1,1].hexbin(resampled[:, 0], resampled[:, 1], gridsize=20)

plt.show()

输出：