Kernel Density Estimation (KDE)

Método no paramétrico utilizado para estimar la función de densidad de probabilidad de una variable aleatoria a partir de un conjunto finito de datos.

Se basa en el uso de una función kernel, generalmente simétrica y suavizada, que se centra en cada punto de datos y crea una estimación agregada sumando las contribuciones de cada kernel.

La anchura o parámetro de suavizado (bandwidth) es crítico, ya que controla el grado de suavidad de la estimación y, por tanto, afecta la precisión del modelo.

En el contexto del machine learning, es útil para tareas como detección de anomalías, análisis exploratorio o generación de distribuciones de probabilidad.

Proporciona una alternativa flexible a las técnicas paramétricas tradicionales al no hacer supuestos estrictos sobre la forma de la distribución.