Jądrowy estymator gęstości — Kernel Density Estimation (KDE)© — używa algorytmów Ball Tree lub KD Tree do efektywnej obsługi zapytań i działa na pograniczu między uczeniem nienadzorowanym, generowaniem cech (feature engineering) i modelowaniem danych.

Do najpopularniejszych i najbardziej użytecznych technik estymacji gęstości należą metody oparte na analizie sąsiedztwa, takie jak KDE. Algorytm KDE może być realizowany w dowolnej liczbie wymiarów, jednak w praktyce duża liczba wymiarów powoduje pogorszenie wydajności. Węzeł modelowania KDE oraz węzeł Symulacje KDE w programie watsonx.ai prezentują podstawowe funkcje i powszechnie używane parametry biblioteki KDE. Węzły są zaimplementowane w języku Python. ¹

Aby użyć węzła KDE, należy skonfigurować poprzedzający węzeł Typ. Węzeł KDE odczyta wartości wejściowe z węzła Typ (lub z typów węzła importu wyższego poziomu).

Węzeł Modelowanie KDE jest dostępny pod paletą węzłów modelowania. Węzeł KDE Modeling generuje model użytkowy, a wartości oceniane przez model użytkowy są gęstościami jądra z danych wejściowych.

Węzeł Symulacja KDE jest dostępny pod paletą węzła Outputs. Węzeł Symulacja KDE generuje węzeł źródłowy Gen. KDE, który może utworzyć rekordy o tym samym rozkładzie, co dane wejściowe. We właściwościach węzła Gen KDE można określić liczbę rekordów tworzonych przez węzeł (wartość domyślna to 1), a następnie wygenerować losowy materiał siewny.

Więcej informacji na temat KDE, w tym przykłady, znajduje się w dokumentacji KDE. ¹

¹ "Podręcznik użytkownika." Estymacja gęstości jądra. WWW. © 2007-2018, scikit-learn developers.