在資料科學領域中，觀察和理解數據的分布，是一開始解析數據的重要環節之一，而，KDE 是一個極具價值且實用的方法，其不僅能平滑數據捕捉樣本的潛在型態，且還能估算出樣本的機率密度函數，提供更多元且詳盡的數據細節。
- Andrey Akinshin. October 13, 2020. The importance of kernel density estimation bandwidth. https://aakinshin.net/posts/kde-bw/.
- Jaroslaw Drapala. Aug 16, 2023. Kernel Density Estimator explained step by step. https://towardsdatascience.com/kernel-density-estimation-explained-step-by-step-7cc5b5bc4517.
Back to 資料科學的日常研究議題