核密度估计 (KDE) 简介：原理、优缺点及应用

核密度估计 (KDE) 是一种非参数统计方法，用于估计随机变量的概率密度函数。它基于样本数据，通过对每个观测值周围的核函数进行加权平均来估计密度函数。

KDE 的基本思想是将每个观测值周围的核函数叠加起来，然后对所有核函数的和进行归一化，得到估计的概率密度函数。核函数通常为正态分布函数或 Epanechnikov 函数等。

KDE 的优点是可以克服直方图方法的低分辨率和过度平滑的问题，同时可以捕捉到概率密度函数的局部特征。然而，它的缺点是计算复杂度较高，需要选择合适的核函数和带宽参数，否则估计结果可能不准确。

KDE 在数据分析、机器学习、图像处理等领域都有广泛应用。