为什么 scikit 学习返回对数密度？

【问题标题】：Why does scikit learn return log-density?为什么 scikit 学习返回对数密度？
【发布时间】：2014-10-07 14:36:22
【问题描述】：

sklearn.neighbors.kde.KernelDensity 中的score_samples 函数返回密度对数。与返回它自身的密度相比，它有什么优势？

我知道对数适用于介于 0 和 1 之间的概率（请参阅这个问题：Why use log-probability estimates in GaussianNB [scikit-learn]?）但是为什么你对介于 0 和无穷大之间的密度做同样的事情呢？

有没有办法直接估计对数密度，还是只是从估计的密度中取对数？

【问题讨论】：

【解决方案1】：

适用于概率的大部分内容也适用于密度，因此Why use log-probability estimates in GaussianNB [scikit-learn]? 中的答案适用：

只要密度处处为正，对数的定义就很好。当密度趋于 0 时，它具有更好的数值分辨率和稳定性。想象一个具有一定宽度的高斯核来模拟您的点并将它们想象成某个集群中的某个位置。当您远离这个密集区域时，对数密度等于到集群的负平方距离。其指数将很快产生非常小的数量，您可能不再信任这些数量。

【讨论】：