核密度估计曲线 (KDE)

核密度估计曲线（Kernel Density Estimation, KDE）是一种非参数化的统计推断技术，旨在从有限样本数据中估计连续型随机变量的概率密度函数。与传统的直方图不同，KDE不预设数据分箱策略，而是利用核函数（如高斯核）对每个数据点进行加权平滑，最终叠加形成一条连续、光滑的密度曲线。该方法由Epanechnikov提出，后由Silverman等人完善，已成为现代数据科学中可视化数据分布形态、识别多峰结构及评估数据集中趋势的核心工具。

在现代计算架构与数据分析生态中，核密度估计曲线扮演着连接原始数据与统计洞察的关键角色。它突破了传统直方图对数据分箱的依赖，能够灵活处理任意维度的数据分布，尤其擅长揭示数据中的多峰性、偏态及局部聚集特征。在商业创新与科研探索中，KDE被广泛用于客户画像构建、风险模型校准及机器学习算法的特征工程预处理。其核心价值在于以计算成本换取分布信息的丰富度，为决策者提供比简单均值或方差更为细腻的分布视图，是数据驱动型决策系统中不可或缺的统计基石。