KDE(Kernel Density Estimation)©는 효과적인 쿼리를 위해 볼 트리 또는 KD 트리 알고리즘을 사용하며, 자율 학습, 기능 엔지니어링 및 데이터 모델링을 따릅니다.
KDE와 같은 이웃 기반의 접근법은 가장 인기 있고 유용한 밀도 추정 기법의 일부입니다. KDE는 모든 차원으로 수행할 수 있지만, 차원이 높을 경우 성능이 저하될 수 있습니다. ' watsonx.ai Studio '의 KDE 모델링 노드와 KDE 시뮬레이션 노드는 KDE 라이브러리의 핵심 기능과 일반적으로 사용되는 파라미터를 노출합니다. 이 노드는 Python으로 구현됩니다. 1
KDE 노드를 사용하려면 업스트림 유형 노드를 설정해야 합니다. KDE 노드는 유형 노드(또는 업스트림 가져오기 노드의 유형)에서 입력 값을 읽습니다.
KDE 모델링 노드는 모델링 노드 팔레트에서 사용 가능합니다. KDE 모델링 노드는 모델 너깃을 생성하며, 너깃의 스코어 값은 입력 데이터의 커널 밀도 값입니다.
KDE 시뮬레이션 노드는 출력 노드 팔레트에서 사용 가능합니다. KDE 시뮬레이션 노드는 KDE 생성 소스 노드를 생생하며, 이 노드는 입력 데이터와 동일한 분포를 갖는 일부 레코드를 생성할 수 있습니다. KDE Gen 노드 특성에서는 노드가 생성할 레코드 수(기본값: 1)를 지정하고 난수 시드를 생성할 수 있습니다.
예제를 포함하여 KDE에 대한 자세한 정보는 KDE 문서를 참조하십시오. 1
1 "사용자 안내서" 커널 밀도 추정. Web. © 2007-2018, scikit-learn 개발자.