概率密度函数的非参数估计方法

\qquad 直接由样本来估计概率密度 $p(\mathbf{x})$ 的方法，称为非参数方法 $\text{(non-parametric method)}$。
\quad
● \quad 概率密度估计问题

$(1)$ 取自于概率密度 $p(\mathbf{x})$ 的一个样本落在区域 $\mathcal{R}$ 中的概率为

$P={\int }_{\mathcal{R}}p(\mathbf{x})\mathrm{d}\mathbf{x}$

概率 $P_i$ 对应于离散随机变量 $X$ 取值为 $x_i$ 的情形，即 $P_i=P(X=x_i)$
连续随机变量用概率密度 $p(\mathbf{x})$ 描述，概率 $P={\int }_{\mathcal{R}}p(\mathbf{x})\mathrm{d}\mathbf{x}$ 可看成是概率密度函数的$\text{smoothed or averaged}$的版本。

$(2)$ 假设基于概率密度 $p(\mathbf{x})$ 独立同分布地抽取了 $n$ 个样本 ${\mathbf{x}}_1,{\mathbf{x}}_2,\cdots ,{\mathbf{x}}_n$，当 $k$ 个样本落在区域 $\mathcal{R}$ 中，对概率 $P$ 的一个较为合理的估计可表示为

$k\approx E[Y]=nP⟹P=\frac{k}{n}$

$n$ 个样本中有 $k$ 个落在区域 $\mathcal{R}$ 中属于“$n$ 重伯努利试验”：　
(1) 样本落入区域 $\mathcal{R}$ 的次数 $Y$ 是一个随机变量，服从二项分布 $Y\sim B(n,P)$，其中 $P$ 为单个样本落入区域 $\mathcal{R}$的概率
　 概率 $p(Y=k)=C_n^k{P}^k(1-P{)}^{n-k}$　
(2) 求 $Y$ 的数学期望可得到 $E[Y]=nP$
　 此外，对于二项分布 $Y\sim B(n,P)$ 而言，$[(n+1)P]$ 是最可能出现的次数，也就是众数$\text{(mode)}$，概率 $p(Y=k)$ 的值在 $[(n+1)P]$ 处达到最大（概率分布在此处出现波峰）
　 因此，可以认为 $k\approx nP$ 是一个较为合理的估计。

\qquad

图1 左图取自《模式分类》图4.1
三条曲线分别表示抽样数为 $n=20,50,100$ 时，二项分布 $p(Y=k)=C_n^k{P}^k(1-P{)}^{n-k}(k=0.7n)$ 在不同的 $P$ 处的值（纵轴都进行了尺度调整）
抽样点数 $n$ 越大，$p(Y=k)$ 的值越容易在真实概率 $P=0.7$ 处形成尖峰，当 $n\to \infty$，曲线形状逼近 $\delta (x-0.7)$

实现代码如下：

import numpy as np
import matplotlib.pyplot as plt
from scipy.special import comb
Pk = lambda k,n,p: comb(n,k)*(p**k)*((1-p)**(n-k))
p0 = 0.7
k20 = np.floor(20*p0).astype('int')
p20 = np.zeros(100)
k50 = np.floor(50*p0).astype('int')
p50 = np.zeros(100)
k100 = np.floor(100*p0).astype('int')
p100 = np.zeros(100)    
i = np.arange(0,100)
p = i/100
P20 = Pk(k20,20,p)
P50 = Pk(k50,50,p)
P100 = Pk(k100,100,p)
y20m = max(P20)
y50m = max(P50)
y100m = max(P100)
plt.figure()
plt.plot(p[i],P20[i])
plt.plot(p[i],P50[i]*y20m/y50m)
plt.plot(p[i],P100[i]*y20m/y100m)
plt.legend(['n=20','n=50','n=100'],loc='upper left')
plt.show()

$(3)$ 当区域 $\mathcal{R}$ 足够小，可近似认为区域 $\mathcal{R}$ 中的概率密度是恒定的，若有一个样本 $\mathbf{x}\in \mathcal{R}$，那么该样本落在区域 $\mathcal{R}$ 中的概率为

$P={\int }_{\mathcal{R}}p(\mathbf{x})\mathrm{d}\mathbf{x}\approx p(\mathbf{x})V$　　此处，$V$ 为区域 $\mathcal{R}$ 的体积

\qquad 此时，位于 $\mathbf{x}\in \mathcal{R}$ 处的概率密度值就可以表示为：

$p(\mathbf{x})\approx \hat{p}(\mathbf{x})=\frac{P}{V}=\frac{k/n}{V}$

\qquad 因此，$\mathbf{x}$ 处的概率密度估计 $\hat{p}(\mathbf{x})$ 与样本数 $n$、包含 $\mathbf{x}$ 的区域 $\mathcal{R}$、以及落入区域 $\mathcal{R}$ 中的样本数 $k$ 有关。

\qquad
● \quad 考虑概率密度函数的估计 $\hat{p}(\mathbf{x})=\frac{k/n}{V}$

$(1)$ 如果体积 $V$ 的值是固定的，且能够获得足够多的样本，那么 $P=\frac{k}{n}$ 的值也可以足够精确（如图$1$所示）。

\qquad 此时，$\hat{p}(\mathbf{x})=\frac{P}{V}=\frac{{\int }_{\mathcal{R}}p(\mathbf{x})\mathrm{d}\mathbf{x}}{{\int }_{\mathcal{R}}\mathrm{d}\mathbf{x}}$ 是 $p(\mathbf{x})$ 空间平均化的版本。

\qquad 如果希望得到更精确的 $p(\mathbf{x})$，而不是平滑后的版本，就必须要求体积 $V\to 0$。
\qquad
$(2)$ 另一方面，从取样的角度，能够获得的样本数总是有限的，体积 $V$ 又不能任意小。

\qquad 假设固定样本个数为 $n$，若体积 $V$ 过小，在某处可能会：
\qquad ① 体积 $V$ 中不包含任何样本，导致此处的概率密度估计 $\hat{p}(\mathbf{x})\to 0$；
\qquad ② 体积 $V$ 中只包含几个样本，导致此处的概率密度估计 $\hat{p}(\mathbf{x})\to \infty$。
\qquad
\qquad 因此，如果采用 $\hat{p}(\mathbf{x})=\frac{k/n}{V}$ 的方法来估计概率密度，那么 $\frac{k}{n}$ 的值总会有一定程度的变动，而概率密度估计 $\hat{p}(\mathbf{x})$ 总包含了一定程度的空间平滑。

\qquad
$(3)$ 为了估计点 $\mathbf{x}$ 处的概率密度函数，采用如下方法：

\qquad ① 构造一系列包含点 $\mathbf{x}$ 的区域：${\mathcal{R}}_1,{\mathcal{R}}_2,\cdots$，其中 ${\mathcal{R}}_1$ 中包含了 $1$ 个样本，${\mathcal{R}}_2$ 中包含了 $2$ 个样本 $\cdots$；
\qquad ② 记 $V_n$ 为区域 ${\mathcal{R}}_n$ 的体积，$k_n$ 为落在区域 ${\mathcal{R}}_n$ 中的样本个数，用 ${\hat{p}}_n(\mathbf{x})$ 表示对概率密度 $p(\mathbf{x})$ 的第 $n$ 次估计。

\qquad 那么　 ${\hat{p}}_n(\mathbf{x})=\frac{k_n/n}{V_n}$

\qquad 如果要求 ${\hat{p}}_n(\mathbf{x})\to p(\mathbf{x})$，那么必须满足 $\{\begin{array}{l}\underset{n\to \infty }{\lim }{V}_n=0\\ \underset{n\to \infty }{\lim }{k}_n=\infty \\ \underset{n\to \infty }{\lim }\frac{k_n}{n}=0\end{array}$

■$\underset{n\to \infty }{\lim }{V}_n=0$ 保证体积 $V$ 能够尽可能小，从而减轻空间平滑的程度，使得 ${\hat{p}}_n(\mathbf{x})\to p(\mathbf{x})$；
■$\underset{n\to \infty }{\lim }{k}_n=\infty$ 保证在 $V$ 尽可能小的情形下仍包含了大量样本，如果在点 $\mathbf{x}$ 处的 $\hat{p}(\mathbf{x})\ne 0$，那么 $\frac{k_n}{n}\to P$（如图$1$所示）；
■$\underset{n\to \infty }{\lim }\frac{k_n}{n}=0$ 保证在 $V$ 尽可能小的情形下，尽管包含了大量的样本 $k_n(k_n\to \infty )$，但相对于样本总数 $n(n\to \infty )$ 来说，还是可以忽略的 $(\frac{k_n}{n}\to 0)$，进而保证了 $\underset{n\to \infty }{\lim }\frac{k_n/n}{V_n}$ 的收敛性。

1. Parzen窗方法

\qquad 根据某一个确定的体积函数来逐渐收缩到一个给定的区间，就是$\text{Parzen}$窗方法。

●$\text{Parzen}$窗方法估计概率密度函数的基本思路

$(1)$ 考虑 $d$ 维空间，令 $h_n$ 表示超立方体的边长，该超立方体的体积为 $h_n^d$

$(2)$ 定义窗函数 $\phi (\mathbf{u})=\{\begin{array}{ll}1& ,|u_j|\le \frac{1}{2}\\ 0& ,|u_j|>\frac{1}{2}\end{array},j=1,2,\cdots ,d$

\qquad 　　显然， $\phi (\mathbf{u})$ 表示一个中心在原点、边长为 $1$ 的立方体

\qquad 　　如果点 ${\mathbf{x}}_i$ 包含在以点 $\mathbf{x}$ 为中心的单位超立方体中，必然有 $\phi \left(\frac{\mathbf{x}-{\mathbf{x}}_i}{h_n}\right)=1$

$(3)$ 因此，以点 $\mathbf{x}$ 为中心的超立方体中包含的样本点数为：

$k_n=\sum _{i=1}^n\phi \left(\frac{\mathbf{x}-{\mathbf{x}}_i}{h_n}\right)$

\qquad 那么由 ${\hat{p}}_n(\mathbf{x})=\frac{k_n/n}{V_n}$，可得到 $\text{Parzen}$ 窗法的概率密度估计为：

${\hat{p}}_n(\mathbf{x})=\frac{1}{n}\sum _{i=1}^n\frac{1}{V_n}\phi \left(\frac{\mathbf{x}-{\mathbf{x}}_i}{h_n}\right),V_n=h_n^d$

\qquad 从 ${\hat{p}}_n(\mathbf{x})$ 的形式上可以看出，其本质上是一个基于核函数的内插公式。同时，也说明了概率密度函数估计可以采用更一般的方式，而不必规定窗函数必须是超立方体。
\quad
● \quad 窗宽 $h_n$ 对 ${\hat{p}}_n(\mathbf{x})$ 的影响

\qquad 定义函数 ${\varphi }_n(\mathbf{x})=\frac{1}{V_n}\phi \left(\frac{\mathbf{x}}{h_n}\right)$，那么 $\text{Parzen}$ 窗法的概率密度估计为：

${\hat{p}}_n(\mathbf{x})=\frac{1}{n}\sum _{i=1}^n{\varphi }_n(\mathbf{x}-{\mathbf{x}}_i)$

$(1)$ 如果 $h_n$ 很大，则 ${\varphi }_n(\mathbf{x}-{\mathbf{x}}_i)$ 的强度非常低，即使 ${\mathbf{x}}_i$ 远离 $\mathbf{x}$，${\varphi }_n(\mathbf{x}-{\mathbf{x}}_i)$ 与 ${\varphi }_n(0)$ 相差不太大。

$(2)$ 如果 $h_n$ 很小，则 ${\varphi }_n(\mathbf{x}-{\mathbf{x}}_i)$ 的强度非常高，只有离 $\mathbf{x}$ 非常近的 ${\mathbf{x}}_i$ 才对计算 ${\varphi }_n(\mathbf{x}-{\mathbf{x}}_i)$ 有贡献，即：$h_n$ 越小，${\varphi }_n(\mathbf{x}-{\mathbf{x}}_i)$ 越尖。

当 $h_n\to 0$，${\varphi }_n(\mathbf{x}-{\mathbf{x}}_i)$ 逼近狄拉克函数 $\delta (\mathbf{x}-{\mathbf{x}}_i)$ ，此时的概率密度估计为 ${\hat{p}}_n(\mathbf{x})=\frac{1}{n}\sum _{i=1}^n\delta (\mathbf{x}-{\mathbf{x}}_i)$。

\qquad 对于任意窗宽 $h_n$，其概率分布满足归一性：

$\int {\varphi }_n(\mathbf{x}-{\mathbf{x}}_i)\mathrm{d}\mathbf{x}=\int \frac{1}{V_n}\phi \left(\frac{\mathbf{x}-{\mathbf{x}}_i}{h_n}\right)\mathrm{d}\mathbf{x}=\int \phi \left(\mathbf{u}\right)\mathrm{d}\mathbf{u}=1$

\qquad 因此，窗宽的选择对概率密度估计 ${\hat{p}}_n(\mathbf{x})$ 的影响非常大，如下例所示。

\qquad
《模式分类》图4.5实现代码（假设真实概率密度为标准正态分布）
高斯窗函数：$\phi (u)=\frac{1}{2\pi }{e}^{-\frac{u^2}{2}}$
概率密度估计：${\hat{p}}_n(x)=\frac{1}{n}\sum _{i=1}^n\frac{1}{h_n}\phi \left(\frac{x-x_i}{h_n}\right)$

import numpy as np
import matplotlib.pyplot as plt
def parzen1d(sample, x, h):
    kernel = lambda u: np.exp(-u**2/2)/np.sqrt(2*np.pi)
    pdf = np.zeros(len(x))
    for i in range(len(sample)):
        pdf += kernel((x-sample[i])/h)/h        
    return pdf/len(sample)
def parzen1d_show(num):
    x = np.linspace(-3, 3, 100)  
    rx = np.random.randn(num)
    ry = np.zeros_like(rx)    
    pdf1 = parzen1d(rx, x, 1.0)
    pdf2 = parzen1d(rx, x, 0.5)
    pdf3 = parzen1d(rx, x, 0.1)    
    plt.figure(figsize=(12,2))
    plt.subplot(131),plt.plot(rx, ry, 'r.', markersize='3'),plt.plot(x,pdf1),plt.title('h=1')
    plt.xticks([-3,-2,-1,0,1,2,3])
    plt.subplot(132),plt.plot(rx, ry, 'r.', markersize='3'),plt.plot(x,pdf2),plt.title('h=0.5')
    plt.xticks([-3,-2,-1,0,1,2,3])
    plt.subplot(133),plt.plot(rx, ry, 'r.', markersize='3'),plt.plot(x,pdf3),plt.title('h=0.1')
    plt.xticks([-3,-2,-1,0,1,2,3])  
    plt.show()      
parzen1d_show(1)   
parzen1d_show(10)
parzen1d_show(100)
parzen1d_show(10000)

采用高斯窗函数时的结果：

\qquad

采用矩形窗时的结果：

\qquad
二维$\text{Parzen}$窗概率密度估计：

\qquad

2. kn近邻估计

$k_n$ 近邻估计，是另一种非参数的概率密度函数估计方法，其基本思路是让体积成为训练样本数 $n$ 的函数。

\qquad 为了估计点 $\mathbf{x}$ 处的概率密度，以点 $\mathbf{x}$ 为中心不断扩张体积，直到体积 $V_n$ 内包含了 $k_n$ 个相邻的样本点（其中，$k_n$ 是训练样本数 $n$ 的函数），则点 $\mathbf{x}$ 处的概率密度估计为：

${\hat{p}}_n(\mathbf{x})=\frac{k_n/n}{V_n}$

$(1)$ 如果点 $\mathbf{x}$ 处的概率密度比较小，包含 $k_n$ 个相邻点的体积就相对比较大；
$(2)$ 如果点 $\mathbf{x}$ 处的概率密度比较大，包含 $k_n$ 个相邻点的体积就相对比较小；如果点 $\mathbf{x}$ 处的概率密度非常高，随着 $V_n\to 0$，体积的生长就会停止。

在 $\text{Parzen}$ 窗方法中，体积是训练样本数 $n$ 某个固定的形式
在 $k_n$- 最近邻方法中，体积必须能够包含 $k_n$ 个相邻样本点

\qquad

《模式分类》图4.12实现代码：（假设真实概率密度为标准正态分布）
$k_n=\sqrt{n},V_n=2\ast \text{sort}(dist)[k_n]$

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm
def knn_pdf(sample, x):
    num = len(sample)
    pdf = np.zeros(len(x))
    kn = num**(0.5)
    for i in range(len(x)):
        dist = np.abs(x[i] - sample)
        sortedDist = np.sort(dist)       
        vol = sortedDist[int(kn)-1]*2
        pdf[i] = kn/num/vol
    return pdf
def knn1d(num):
    mean = 0
    std = 1
    x = np.linspace(-4, 4, 1000)  
    y = norm.pdf(x, mean, std)
    rx = mean + std * np.random.randn(num)
    ry = np.zeros_like(rx)    
    pdf = knn_pdf(rx, x)
    plt.figure(figsize=(5,4))
    plt.plot(x,y,'r')
    plt.plot(rx, ry, 'r.', markersize='3')
    plt.plot(x,pdf,'g');plt.title('n={}'.format(num))
    plt.xticks([-4,-3,-2,-1,0,1,2,3,4]),plt.yticks([])   
knn1d(1)
knn1d(16)
knn1d(256)
knn1d(4096)   
plt.show()

运行结果：
\qquad

\qquad 当 $n\to \infty$ 时的概率密度估计接近真实概率密度，此时 $k_n$ 近邻估计需采用 $kd$ 树这样的快速搜索算法。在样本数有限的情况下，可以考虑用核回归方法对$k_n$ 近邻估计的结果进行平滑，似乎此时核回归的窗宽相对容易选择一些。

经过核回归平滑后的结果：

\qquad

二维$k_n$近邻概率密度估计

def knn2d(num):
    mu = [1,1]
    cov = [[3,1],[1,2]]
    sample1 = np.random.multivariate_normal(mu,cov,num//2)
    mu = [8,8]
    cov = [[3,-1],[-1,2]]
    sample2 = np.random.multivariate_normal(mu,cov,num//2)
    sample = np.concatenate((sample1, sample2))
    plt.figure(figsize=(5,5))
    plt.plot(sample[:,0], sample[:,1],'b.',markersize='4')
    plt.xlabel('x'), plt.ylabel('y')    
    fig = plt.figure(figsize=(8,6))
    ax = fig.add_subplot(projection='3d')
    X = np.arange(-7, 15, 0.1)
    Y = np.arange(-7, 15, 0.1)
    x, y = np.meshgrid(X, Y)
    pos = np.empty(x.shape + (2,))
    pos[:, :, 0] = x
    pos[:, :, 1] = y
    x1 = x.reshape(-1,1)
    y1 = y.reshape(-1,1)
    xy = np.concatenate((x1, y1), axis=1)
    pdf = np.zeros(x.shape)
    h,w = x.shape
    kn = int(num**(0.5))
    for i in range(len(xy)):
        dist = np.sqrt(np.sum((sample - xy[i,:])**2,axis=1))
        sortedDist = np.sort(dist)       
        vol = sortedDist[kn-1]**2
        i0 = i//h
        j0 = i % w
        pdf[i0,j0] = kn/num/vol
    surf = ax.plot_surface(x, y, pdf, cmap=cm.Blues, linewidth=1, antialiased=False)
    ax.view_init(elev=30., azim=300)
    ax.set_zlim(0, 0.3)
    plt.title('n = {}'.format(num))

运行结果：

\qquad
\qquad