Kernel Density Estimation (KDE) verwendet die Kugelbaum- oder KD-Baumalgorithmen für effiziente Abfragen und bewegt sich zwischen unbeaufsichtigtem Lernen, Funktionsentwicklung und Datenmodellierung.
Auf Nachbarn basierte Ansätze wie KDE sind einige der gängigsten und nützlichsten Dichteschätzungsverfahren. KDE kann in einer beliebigen Anzahl Dimensionen ausgeführt werden, in der Praxis kann hohe Dimensionalität jedoch eine Leistungsverschlechterung verursachen. Der KDE-Modellierungsknoten und der KDE-Simulationsknoten in ' watsonx.ai Studio stellen die wichtigsten Funktionen und häufig verwendeten Parameter der KDE-Bibliothek dar. Die Knoten sind in Python implementiert. 1
Wenn Sie einen KDE-Knoten verwenden möchten, müssen Sie einen vorgeordneten Typknoten einrichten. Der KDE-Knoten liest die Eingabewerte vom Typknoten (oder von den Typen eines vorgeordneten Importknotens).
Der Knoten KDE Modeling ist auf der Palette der Modellierungsknoten verfügbar. Der Knoten "KDE-Modellierung" generiert ein Modellnugget und die Scorewerte des Nuggets sind Kerndichtewerte aus den Eingabedaten.
Der Knoten KDE-Simulation ist auf der Palette der Ausgabeknoten verfügbar. Der Knoten "KDE-Simulation" generiert einen Quellenknoten "KDE Gen", der einige Datensätze erstellen kann, die die gleiche Verteilung haben wie die Eingabedaten. In den Eigenschaften des Knotens "KDE Gen" können Sie angeben, wie viele Datensätze der Knoten erstellt (Standardwert: 1). Zudem wird ein Startwert für Zufallszahlen generiert.
Weitere Informationen zu KDE, einschließlich Beispielen, finden Sie in der KDE-Dokumentation. 1
1 "Benutzerhandbuch". Schätzung der Kerndichte. Web. © 2007-2018, scikit-learn developers.