La estimación de los grupos de datos con la estimación de la densidad del núcleo

Video: Estimación del tamaño de partícula mediante Image J

Una forma de identificar las agrupaciones de sus datos es utilizar una función de suavizado densidad. la estimación de la densidad del núcleo (KDE) es sólo un ejemplo de suavizado método- funciona mediante la colocación de una núcleo - una función de ponderación que es útil para la cuantificación de la densidad - en cada punto de datos en el conjunto de datos y luego sumando los granos para generar una estimación de densidad kernel para la región en general.

Video: VOLUMEN DEL CUBO, PRISMA, ESFERA, CONO, PIRÁMIDE...GEOMETRÍA BÁSICA Mistercinco

Las zonas de mayor densidad de puntos se sumarán a cabo con una mayor densidad del núcleo, mientras que las zonas de densidad de puntos inferior sumarán a cabo con menos densidad del núcleo.

Debido núcleo métodos de suavizado no dependen de colocación y de agrupamiento técnicas centro de la agrupación para estimar las agrupaciones, que no presentan un riesgo de generar racimos erróneos mediante la colocación de centros en áreas de densidad mínima local.

Video: La Luna documental: origen, exploración, fases, eclipses, calendarios, estructura y geologia

Donde k-significa algoritmos generan definiciones líneas duras se entre puntos situados en diferentes clusters, KDE genera un gráfico de cambio de densidad gradual entre puntos de datos. Por esta razón, es una ayuda útil cuando echando un vistazo a las agrupaciones. La siguiente figura muestra lo que el Ingreso del Banco Mundial y la trama de Educación de dispersión parece que después de un KDE ha sido aplicada.

Video: Calculo de densidad a partir de grafica

Se puede ver que los espacios en blanco entre las agrupaciones se han reducido. En cuanto a la figura, que es bastante obvio que hay por lo menos tres grupos, y posiblemente más, si desea permitir a los pequeños racimos.