Рис. 4. График сравнения оценки плотности распределения с ее истинным значением при
Рис. 5. График сравнения оценки плотности распределения с ее истинным значением при
Наиболее удачная оценка получается при
(см. рис. 6)Рис. 6. График сравнения оценки плотности распределения с ее истинным значением при
Также вид оценки зависит от повторной выборки. Графики, полученные при изменении значений обучающей выборки при неизменном
представленны на рис. 6-8.Рис. 7. График сравнения оценки плотности распределения с ее истинным значением для повторной выборки (1)
Рис. 8. График сравнения оценки плотности распределения с ее истинным значением для повторной выборки (2)
Таким образом, для каждой новой повторной выборки необходимо подбирать свое
, максимально приближающее оценку к истинной плотности распределения.Таким образом, в процессе выполнения курсовой работы мною было исследовано теоретически и на практике построение непараметрических парзеновских оценок. В ходе работы мною сделаны выводы, что хорошо выполненная оценка достаточно достоверно отображает поведение заданной функции и что в результате изменения значений повторной выборки и неотрицательной числовой последовательности
можно построить оценку, максимально приближенную к истинному значению функции.1. Лиховидов В.Н. Практический курс распознавания образов. – Владивосток: издательство ДВГУ, 1983.
2. Невельсон М. Б., Хасьминский Р.З. Стохастическая аппроксимация и рекуррентное оценивание. М.: «Наука», 1972.
3. Булдаков В. М., Кошкин Г. М. Рекуррентное оценивание условной плотности вероятности и линии регрессии по зависимой выборке. Материалы V научн. конф. По математике, I. Томск, 1974, 135-136.
4. Воронцов К. В. Лекции по статистическим (байесовским) алгоритмам классификации, 2008.