Kernel Density Estimation (KDE)© 使用“球树”或“KD 树”算法进行高效率查询，并游走于无监督学习、特征工程和数据建模之间。

基于邻元素的方法（例如，KDE）是一些最受欢迎且最实用的密度估算方法。 KDE 可以在任意数量的维度内执行，但是在实践中，高维数可能会导致性能下降。 watsonx.ai Studio中的 KDE 建模节点和 KDE 仿真节点展示了 KDE 库的核心功能和常用参数。 这些节点以 Python 实现。 ¹

要使用 KDE 节点，必须设置上游“类型”节点。 该 KDE 节点将从“类型”节点（或者上游导入节点的“类型”）读取输入值。

KDE 建模节点在“建模”节点选用板下提供。 “KDE 建模”节点生成一个模型块，该块的评分值是来自输入数据的核心密度值。

KDE 模拟节点在“输出”节点选用板下提供。 “KDE 模拟”节点生成“KDE 生成”源节点，后者可创建一些分布与输入数据相同的记录。 在“KDE 生成”节点属性中，可以指定该节点要创建的记录数（缺省值为 1）并生成随机种子。

有关 KDE 的更多信息 (包括示例) ，请参阅 KDE 文档。 ¹

¹ “User Guide”。 Kernel Density Estimation。 Web。 © 2007-2018，scikit-learn developers。