假设您正在尝试估计随机变量的 pdf ，其中有大量 iid 样本（即非常大，想想数千 - 数百万）。
一种选择是估计均值和方差，并假设它是高斯的。
另一方面，可以进行内核密度估计，以获得更准确的结果（尤其是在有这么多数据的情况下）。
问题是，我需要非常快速地评估生成的 pdf。如果我假设 pdf 是高斯的，那么评估 pdf非常快，但估计可能不准确。另一方面，内核密度估计会太慢而无法使用。
所以问题是：获得比高斯更一般的pdf估计值的常用方法是什么，但以增量方式？理想情况下，我希望有一个具有多个参数（例如）的模型，可用于权衡估计精度和评估速度。
我想到的可能方向是：
估计分布的矩，并仅根据这些矩找到 pdf。这里是矩的数量。但是，基于模型的pdf的模型是什么？
个混合的高斯混合（这里，因为对于混合的每个元素，我们保持均值、方差和权重，并且权重总和为 1）。这是一个好主意吗？
欢迎任何其他想法。
谢谢！
相关问题：ML 估计；
更新/澄清：
感谢到目前为止的所有答案。
我真的需要 pdf（不是 cdf，也不是从这个分布中采样）。具体来说，我使用朴素贝叶斯 (NB) 分类和回归的标量 pdf 估计：给定标签，每个特征都有一个 pdf，并且 NB 假设说它们是独立的。因此，为了计算后验（给定特征值的标签概率），我需要在观察到的特征值处评估不同的 pdf。