Kernel Density Estimation (KDE)© utilise les algorithmes Ball Tree ou KD Tree pour des requêtes efficaces et se trouve à la jonction entre l'apprentissage non supervisé, l'ingénierie des fonctions et la modélisation des données.
Les approches basées sur des voisins comme KDE sont quelques-unes des techniques d'estimation de la densité les plus populaires et les plus utiles. KDE peut être exécuté dans n'importe quel nombre de dimensions, bien que, dans la pratique, la haute dimensionnalité puisse entraîner une dégradation des performances. Le noeud KDE Modeling et le noeud KDE Simulation de watsonx.ai exposent les principales fonctionnalités et les paramètres couramment utilisés de la bibliothèque KDE. Les noeuds sont implémentés dans Python. 1
Pour utiliser un noeud KDE, vous devez configurer un noeud Typer en amont. Le noeud KDE lira les valeurs d'entrée à partir du noeud Typer (ou des types d'un noeud d'importation en amont).
Le noeud Modélisation KDE est disponible sous la palette de noeuds Modélisation. Le noeud Modélisation KDE génère un nugget de modèle et les valeurs évaluées du nugget sont des valeurs de densité du noyau provenant des données d'entrée.
Le noeud Simulation KDE est disponible sous la palette de noeuds Sorties. Le noeud Simulation KDE génère un noeud source Génération KDE qui peut créer des enregistrements ayant la même distribution que les données d'entrée. Dans les propriétés du noeud Génération KDE, vous pouvez spécifier le nombre d'enregistrements que le noeud créera (la valeur par défaut est 1) et générer une valeur de départ aléatoire.
Pour plus d'informations sur KDE, y compris des exemples, voir la documentation de KDE. 1
1 "Guide d'utilisation". Estimation de la densité du noyau. Relations. © 2007-2018, scikit-learn developers.