Nó KDE

Kernel Density Estimation (KDE) © usa os algoritmos Ball Tree ou KD Tree para consultas eficientes e caminha na linha entre aprendizado não supervisionado, engenharia de recursos e modelagem de dados.

Abordagens baseadas em vizinhos, como o KDE, são algumas das técnicas de estimativa de densidade mais populares e úteis. O KDE pode ser executado em qualquer número de dimensões, embora na prática a alta dimensionalidade possa causar uma degradação do desempenho. O nó KDE Modeling e o nó KDE Simulation em ' watsonx.ai Studio expõem os principais recursos e os parâmetros comumente usados da biblioteca KDE. Os nós são implementados em Python. ¹

Para usar um nó KDE, deve-se configurar um nó Tipo de envio de dados. O nó KDE lerá os valores de entrada do nó Tipo (ou dos Tipos de um nó de importação de envio de dados).

O nó de Modelagem do KDE está disponível na paleta do nó de modelagem. O nó Modelagem do KDE gera um nugget do modelo e os valores pontuados do nugget são valores de densidade do kernel dos dados de entrada.

O nó de Simulação do KDE está disponível na paleta do nó Saídas. O nó de Simulação do KDE gera um nó de origem KDE Gen que pode criar alguns registros com a mesma distribuição que os dados de entrada. Nas propriedades do nó KDE Gen, é possível especificar quantos registros o nó criará (o padrão é 1) e gerar uma semente aleatória.

Para obter mais informações sobre o KDE, incluindo exemplos, consulte a documentação do KDE. ¹