您没有指定您在谈论连续随机变量，但由于您提到 KDE，我会假设您打算这样做。

拟合平滑密度的另外两种方法：

1）对数样条密度估计。这里用样条曲线拟合对数密度。

示例论文：

Kooperberg 和 Stone (1991)，
“对数样条密度估计的研究”，计算
统计和数据分析，12，327-347

Kooperberg在此处的“1991”下提供了指向他论文 pdf 的链接。

如果您使用 R，则有一个包。由它生成的拟合示例在这里。下面是那里数据集的日志的直方图，以及来自答案的对数样条和内核密度估计的再现：

对数样条密度估计：

核密度估计：

2）有限混合模型。这里选择了一些方便的分布族（在许多情况下是正态分布），并且假设密度是该族的几个不同成员的混合。请注意，核密度估计可以看作是这样的混合（对于高斯核，它们是高斯​​的混合）。

更一般地，这些可以通过 ML 或 EM 算法进行拟合，或者在某些情况下通过矩匹配进行拟合，尽管在特定情况下其他方法可能是可行的。

（有大量的 R 包可以进行各种形式的混合建模。）

在编辑中添加：

3）平均移位直方图
（实际上并不平滑，但对于您未说明的标准来说可能足够平滑）：

)处计算一系列直方图，跨越一个 bin-origin，每次移动某个整数乍一看，这看起来像在 binwidth​​处完成的直方图，但要平滑得多。$b$$b/k$$k$$b/k$

例如，在 binwidth 1 处计算 4 个直方图，但偏移 +0,+0.25,+0.5,+0.75，然后在任何给定处平均高度。你最终会得到这样的结果：$x$

图取自这个答案。正如我在那里所说，如果你达到那种程度的努力，你不妨进行核密度估计。

根据上述关于平滑度等假设的评论。您可以使用具有 Dirichlet 过程的混合模型进行贝叶斯非参数密度估计。

下图显示了从“老忠实”数据的二元正态 DP 混合模型的 MCMC 估计中恢复的概率密度等值线。根据在最后一个 MCMC 步骤中获得的聚类，这些点被着色为 IIRC。

Teh 2010提供了一些很好的背景。

一个流行的选择是随机森林（具体参见“决策森林：分类、回归、密度估计、流形学习和半监督学习的统一框架”的第五章。

它详细描述了算法，并根据其他流行的选择（如 k-means、GMM 和 KDE）对其进行评估。随机森林在 R 和 scikit-learn 中实现。

随机森林是一种巧妙的袋装决策树。