kdemodel 속성
KDE(Kernel Density Estimation)©는 효율적인 쿼리를 위해 볼 트리 또는 KD 트리 알고리즘을 사용하며, 비지도 학습, 기능 공학, 데이터 모델링의 개념을 결합합니다. KDE와 같은 이웃 기반 접근법은 가장 인기 있고 유용한 밀도 추정 기법 중 하나입니다. SPSS Modeler 의 KDE Modeling과 KDE Simulation 노드는 KDE 라이브러리의 핵심 기능과 일반적으로 사용되는 매개 변수를 보여줍니다. 노드는 Python 에서 구현됩니다.
kdemodel properties |
데이터 유형 | 특성 설명 |
|---|---|---|
custom_fields |
부울 | 이 옵션은 노드에 업스트림 타입 노드에 지정된 필드 정보 대신 여기에 지정된 필드 정보를 사용하도록 지시합니다. 이 옵션을 선택한 후 필요에 따라 다음 필드를 지정하십시오. |
inputs |
필드 | 입력 필드 이름 목록입니다. |
bandwidth |
이중 실선 | 기본값은 1 입니다. |
kernel |
문자열 | 사용할 커널: gaussian, tophat, epanechnikov, exponential, linear, 또는 cosine. 기본값은 gaussian 입니다. |
algorithm |
문자열 | 사용할 트리 알고리즘: kd_tree, ball_tree, auto. 기본값은 auto 입니다. |
metric |
문자열 | 거리를 계산할 때 사용할 측정 단위입니다. kd_tree 알고리즘의 경우, Euclidean, Chebyshev, Cityblock, Minkowski, Manhattan, Infinity, P, L2, L1 중에서 선택하십시오. ball_tree 알고리즘의 경우, 다음 중에서 선택하십시오: Euclidian, Braycurtis, Chebyshev, Canberra, Cityblock, Dice, Hamming, Infinity, Jaccard, L1, L2, Minkowski, Matching, Manhattan, P, Rogersanimoto, Russellrao, Sokalmichener, Sokalsneath, 또는 Kulsinski. 기본값은 Euclidean 입니다. |
atol |
플로트(스위치일 경우) | 결과에 대한 절대적인 허용 범위. 관용 범위가 넓을수록 일반적으로 실행 속도가 빨라집니다. 기본값은 0.0 입니다. |
rtol |
플로트(스위치일 경우) | 결과에 대한 상대적 허용 오차. 관용 범위가 넓을수록 일반적으로 실행 속도가 빨라집니다. 기본값은 1E-8 입니다. |
breadth_first |
부울 | True 로 설정하여 폭 우선 접근 방식을 사용합니다. False 로 설정하면 깊이 우선 접근 방식을 사용합니다. 기본값은 True 입니다. |
leaf_size |
정수 | 밑에 있는 나무의 잎 크기입니다. 기본값은 40 입니다. 이 값을 변경하면 성능에 큰 영향을 미칠 수 있습니다. |
p_value |
이중 실선 | Minkowski 를 메트릭으로 사용하는 경우 사용할 P 값을 지정하십시오. 기본값은 1.5 입니다. |
custom_name |
||
default_node_name |
||
use_HPO |