《Kernel Smoothing》是由M. P. Wand和M. C. Jones共同编著的一本经典著作，出版于1995年，它深入探讨了核方法在统计学中的应用，特别是针对非参数估计的领域。这本书是理解核平滑技术的重要资源，适合统计学、机器学习和数据科学的专业人士阅读。
在书中，作者首先引入了单变量核密度估计这一概念，这是一种无参数的估计方法，用于估算未知概率密度函数。通过在每个数据点周围应用一个“核”函数并加权求和，可以得到整个数据集的密度估计。这种技术的关键在于选择合适的核函数（如高斯核、Epanechnikov核等）和带宽参数，它们直接影响估计的精度和形状。
接着，书中详细阐述了多变量核密度估计，这是对多维数据进行密度估计的技术。与单变量情况类似，多变量核密度估计也依赖于核函数的选择和带宽矩阵的确定。在处理高维数据时，选择合适的带宽策略至关重要，因为“维度灾难”可能导致估计的不准确。
书中还专门讨论了核密度估计的带宽选择方法，这是一个极具挑战性的主题。合适的带宽直接影响到密度估计的质量，过大的带宽可能导致数据细节丢失，而过小的带宽则可能导致噪声增加。书中可能涵盖了如Silverman's Rule of Thumb、 plug-in方法、交叉验证等带宽选择策略，这些方法旨在找到平衡点，以达到最佳的估计效果。
此外，《Kernel Smoothing》可能还涉及到了核平滑在回归分析、分类、曲线拟合等其他统计问题中的应用，以及如何利用核方法处理非线性关系和复杂结构数据。作者可能通过实例和案例研究，使读者能更好地理解和应用这些理论。
这本压缩包中的PDF文件《Kernel Smoothing_M. P. Wand, M. C. Jones (auth.)(1995).pdf》是核方法领域的权威资料，对于希望深入理解核密度估计和相关平滑技术的人来说，是一份不可或缺的学习材料。它将帮助读者掌握如何在实际数据分析中有效地运用核方法，提升解决问题的能力。
