KDE 노드

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. SPSS® Modeler의 KDE 모델링 및 KDE 시뮬레이션 노드에는 KDE 라이브러리의 핵심 기능과 일반적으로 사용되는 매개변수가 표시됩니다. 이 노드는 Python으로 구현됩니다. ¹

KDE 노드를 사용하려면 업스트림 유형 노드를 설정해야 합니다. KDE 노드는 유형 노드(또는 업스트림 소스 노드의 유형 탭)에서 입력 값을 읽습니다.

KDE 모델링 노드는 SPSS Modeler의 모델링 탭 및 Python 탭에서 사용 가능합니다. KDE 모델링 노드는 모델 너깃을 생성하며, 너깃의 스코어 값은 입력 데이터의 커널 밀도 값입니다.

KDE 시뮬레이션 노드는 출력 탭 및 Python 탭에서 사용 가능합니다. KDE 시뮬레이션 노드는 KDE 생성 소스 노드를 생생하며, 이 노드는 입력 데이터와 동일한 분포를 갖는 일부 레코드를 생성할 수 있습니다. KDE 생성 노드에는 노드가 생성할 레코드 수(기본값: 1)를 지정하고 난수 시드를 생성할 수 있는 설정 탭이 있습니다.

예제를 포함한 KDE에 대한 자세한 정보는 KDE 문서(http://scikit-learn.org/stable/modules/density.html#kernel-density-estimation)를 참조하십시오. ¹