常用的模式分类的非参数技术主要有两种：Parzen窗估计方法和K-近邻概率密度估计方法。二者其实是对同一个问题的不同角度去解决。Parzen窗估计方法的主题思想是固定窗口区域容积，去看有多少个样本点在里面，而K-近邻概率密度估计方法的主要思想是固定样本点的个数（k个）看需要的多大的容积。本文是一个Parzen窗估计方法的例子。
本例所需要的样本数据如下
问题：
Consider Parzen-windowestimates and classifiers for points in the table above. Let your windowfunction be a spherical Gaussian, i.e.,
(a)WriteaprogramtoclassifyanarbitrarytestpointxbasedontheParzenwindowestimates. Train your classifier using the three-dimensional datafrom your three categories in the table above. Set h = 1 and classify thefollowing three points: (0.50,1.0,0.0)t, (0 .31,1.51,−0.50)tand (−0.3,0.44,−0.1)t.
(b) Repeat with h =0.1.
算法分析：不妨令
其中H为一正常数。我们有
根据此式可知，H的取值变化只能同等比例地放大或缩小 的值，不影响其变化趋势以及大小关系。因而我们可以假设 。因而我们有
利用这些关系式，我们可以求出 
的函数表达式，也就可以对三个测试样本点进行分类。
计算结果：
|
|||
0.1259 |
0.1534 |
0.1399 |
|
0.4711 |
0.4828 |
0.3783 |
|
0.3980 |
0.2260 |
0.1832 |