kde.model <- function(train.set)
{
    N <- NULL
    n <- NULL
    sigma <- NULL
    h <- NULL

    train.set <- as.matrix(train.set)

    # N = número de amostras do conjunto de dados de treino
    get.N <- function(){
        if(is.null(N)){
            N <<- nrow(train.set)
        }
        N
    }

    # n = número de dimensões do conjunto de dados de treino
    get.n <- function(){
        if(is.null(n)){
            n <<- ncol(train.set)
        }
        n
    }

    # vector com o desvio padrão de uma das dimensões do
    # conjunto de dados de treino
    get.sigma <- function(){
        if(is.null(sigma)){
            sigma <<- apply(train.set, 2, sd)
        }
        sigma
    }

    # Fator de normalização do kde
    get.h <- function(){
        if(is.null(h)){
            h <<- 1.06 * get.sigma() * get.N()^(-0.2)
        }
        h
    }


    predict <- function(x){

        x <- as.numeric(x)

        N <- get.N()
        n <- get.n()
        h <- get.h()

        xRep <- matrix(rep(x, each = N), nrow = N)

        (1/N) * prod( (1/h) * colSums((1/sqrt(2*pi)) * exp(-(xRep - train.set)^2/(2*h^2))))
    }

    list(predict = predict,
         get.N = get.N,
         get.n = get.n,
         get.sigma = get.sigma,
         get.h = get.h)
}