Kernel Density Estimation (KDE) © utilizza gli algoritmi Ball Tree o KD Tree per query efficienti e traccia la linea tra apprendimento non supervisionato, ingegneria delle funzioni e modellazione dei dati.
Gli approcci basati su elementi adiacenti come KDE sono alcune delle tecniche di stima della densità più diffusi e utili. KDE può essere eseguito in qualsiasi numero di dimensioni, anche se in pratica un'elevata dimensionalità può causare un peggioramento delle prestazioni. Il nodo Modellazione KDE e il nodo Simulazione KDE in watsonx.ai espongono le funzioni principali e i parametri comunemente utilizzati della libreria KDE. I nodi sono implementati in Python. 1
Per utilizzare un nodo KDE, è necessario impostare un nodo Tipo upstream. Il nodo KDE leggerà i valori di input dal nodo Tipo (o dai Tipi di un nodo di importazione upstream).
Il nodo Modellazione KDE è disponibile sotto la palette dei nodi Modellazione. Il nodo Modellazione di KDE genera un nugget del modello e i valori rilevati del nugget sono valori di densità del kernel dai dati di input.
Il nodo Simulazione KDE è disponibile sotto la palette dei nodi Output. Il nodo Simulazione KDE genera un nodo origine Generazione KDE che può creare alcuni record con la stessa distribuzione dei dati di input. Nelle proprietà del nodo Generazione KDE, è possibile specificare quanti record verranno creati dal nodo (il valore predefinito è 1) e generare un seed casuale.
Per ulteriori informazioni su KDE, inclusi gli esempi, consultare la documentazione KDE. 1
1 "Guida utente." Stima Densità Kernel. Web. © 2007-2018, sviluppatori di scikit-learn .