参照URL：
https://jakevdp.github.io/PythonDataScienceHandbook/05.13-kernel-density-estimation.html
D次元確率分布の推定アルゴリズムを生成するために、D次元のデータセットを用いた密度評価者は、異なるアルゴリズムGMMは、ガウス確率分布推定値は要約を表現重み付け。本質的に密度パラメータ評価を得ないように、各点のガウス分布を生成する成分を混合することによって、ガウス混合論理限界（論理極度）の概念を拡張するカーネル密度推定（カーネル密度推定、KDE）アルゴリズム。
1、KDEの起源：ヒストグラム
密度推定評価確率分布モデルをデータセットを生成するために発見アルゴリズムです。
一次元データ密度推定 - ヒストグラムは、単純な密度評価で、ヒストグラムデータを複数の区間に分割され、統計的ポイントの数は、結果を視覚化する直感的な方法で、各間隔内に入ります。
2、実用的なアプリケーションのカーネル密度推定
無料パラメータカーネル密度推定は、コアタイプ（カーネル）のパラメータである、彼は核密度分布の各点の形状を指定することができます。
核帯域（カーネル帯域幅）パラメータを制御する各コア・ポイントのサイズ
sklearn.neighbors.KernelDensity評価におけるカーネル密度推定アルゴリズムは、いずれかのコア、20または30 KDE距離メトリックによって6つのコアは、複数の次元で処理することができます。
Scikit-学ぶ底評価者は、ツリーベースのアルゴリズムを使用して、計算KDEの非常に大きな量が、アトル（絶対フォールトトレランス）とRTOL（相対フォールトトレランス）を利用することができるバランスの計算時間と精度のパラメータがScikit-学ぶ使用することができます原子力帯域幅の自由パラメータを決定するための標準的なクロスチェックツール。
帯域幅の選択をクロスチェックすることにより
KDEでは、右の密度推定を見つけるためだけではなく、選択肢の帯域幅は非常に重要ですが、また、密度推定における制御偏差 - キー分散のバランス：
（1）狭帯域は、推定展示高分散（すなわち、オーバーフィッティング）につながりますが、そこにすべての点であるか、または削除は大きな違いが生じます
（2）帯域幅が広すぎると推定展示高偏差（すなわち、あまりフィット）が発生するだけでなく、核、より広い帯域幅のデータ構造を弱体化させるだろうさ
パラメータを学習チューニングスーパーマシンは通常、クロスチェックによって達成されます。
