任何人都可以报告他们使用自适应内核密度估计器的经验吗？
（有很多同义词：adaptive | variable | variable-width, KDE | histogram | interpolator ...）
可变核密度估计
说“我们在样本空间的不同区域改变核的宽度。有两种方法......”实际上，更多：某个半径内的邻居，KNN 最近邻居（K 通常是固定的），Kd 树，多重网格...
当然，没有一种方法可以做所有事情，但自适应方法看起来很有吸引力。
例如，请参阅
有限元方法中自适应 2d 网格的精美图片。
我想听听哪些对真实数据有效/哪些无效，尤其是 2d 或 3d 中 >= 100k 的分散数据点。
11 月 2 日添加：这里是“块状”密度（分段 x^2 * y^2）、最近邻估计和带斯科特因子的高斯 KDE 的图。虽然一 (1) 个示例不能证明任何事情，但它确实表明 NN 可以相当好地适应陡峭的山丘（并且，使用 KD 树，在 2d、3d 中速度很快......）
文章 * DG Terrell；DW 斯科特 (1992)。“可变核密度估计”。Annals of Statistics 20: 1236–1265.* 在您自己引用的维基百科文章末尾引用明确指出，除非观察空间非常稀疏，否则不建议基于全局均方根误差（本地和全局）对于高斯分布随机变量：（通过理论论证）他们引用了（是样本大小）和（通过自举结果）（是维数）作为可变内核方法与固定宽度方法竞争的设置（从您的问题来看，您不在这些设置中）。
这些结果背后的直觉是，如果您不是在非常稀疏的设置中，那么局部密度的变化不足以使偏差增益超过效率损失（因此可变宽度内核的 AMISE 相对于固定宽度的 AMISE）。此外，考虑到您拥有的大样本量（和小尺寸），固定宽度的内核已经非常局部，从而减少了任何潜在的偏差收益。
Loess/lowess 基本上是一种可变 KDE 方法，内核的宽度由最近邻方法设置。我发现它工作得很好，当数据点的密度显着变化时，肯定比任何固定宽度的模型要好得多。
使用 KDE 和多维数据需要注意的一件事是维度灾难。在其他条件相同的情况下，p ~ 10 时设定半径内的点比 p ~ 2 时要少得多。如果您只有 3d 数据，这对您来说可能不是问题，但请记住这一点。