Parzen 窗估计与 kN 近邻估计：非参数密度估计方法比较

Parzen 窗估计和 kN 近邻估计都是非参数估计方法，用于对数据进行概率密度估计。

Parzen 窗估计的基本原理是，对于给定的一个待估计点，以该点为中心，选取一个窗口，计算窗口内所有数据点的核密度函数值，并将这些值加权平均，作为该点的概率密度估计值。其中，核函数的选择是非常重要的，常用的核函数有高斯核函数、矩形核函数等。

'kN 近邻估计' 的基本原理是，对于给定的一个待估计点，找到其 k 个最近邻的数据点，将这 k 个点的概率密度函数值加权平均，作为该点的概率密度估计值。其中，k 的选择也是非常重要的，通常需要通过交叉验证等方法来确定。

两种方法的优点和联系在于，它们都是非参数方法，可以对任意分布的数据进行概率密度估计，不需要对数据做出任何假设。此外，它们也都具有一定的局部性质，对于密度变化较大的区域，可以更准确地估计概率密度。

两种方法的区别在于，Parzen 窗估计是将窗口内所有数据点的核密度函数值加权平均，因此对于密度变化较平缓的区域，会受到远离中心的数据点的影响。而 'kN 近邻估计' 只考虑 k 个最近邻的数据点，因此对于密度变化较平缓的区域，会受到较少的数据点的影响。此外，'kN 近邻估计' 需要选择 k 值，而 Parzen 窗估计需要选择窗口大小和核函数，选择不当会对估计结果产生影响。