La estimación de densidad de kernel (KDE)© utiliza los algoritmos del árbol de métrica o del árbol KD para unas consultas eficientes y aborda de manera eficaz el aprendizaje no supervisado, la ingeniería de características y el modelado de datos.
Los enfoques basados en vecinos como, por ejemplo, KDE son algunas de las técnicas de estimación de densidad más populares y útiles. KDE se puede realizar en una serie de dimensiones, aunque en la práctica una alta dimensionalidad puede provocar una degradación de rendimiento. El nodo KDE Modeling y el nodo KDE Simulation en ' watsonx.ai Studio ' exponen las características principales y los parámetros más utilizados de la librería KDE. Los nodos se implementan en Python. 1
Para utilizar un nodo KDE, debe configurar un nodo Tipo anterior. El nodo KDE leerá valores de entrada del nodo Tipo (o de los Tipos de un nodo de importación en sentido ascendente).
El nodo Modelado de KDE está disponible en la paleta del nodo Modelado. El nodo Modelado de KDE genera un nugget de modelo y los valores puntuados del nugget son valores de densidad de kernel de los datos de entrada.
El nodo Simulación de KDE está disponible en la paleta del nodo Resultados. El nodo Simulación de KDE genera un nodo de origen de Gen KDE que puede crear algunos registros que tienen la misma distribución que los datos de entrada. En las propiedades del nodo Gen KDE, puede especificar cuántos registros creará el nodo (el valor predeterminado es 1) y generar una semilla aleatoria.
Para obtener más información sobre KDE, incluidos ejemplos, consulte la documentación de KDE. 1
1 "Guía del usuario." Estimación de densidad de kernel. Web. © 2007-2018, scikit-learn developers.