KDE 节点

Kernel Density Estimation (KDE)© 使用 Ball Tree 或 KD Tree 算法以进行效率查询，并且游走于无监督学习、特征工程和数据建模。基于相邻元素的方法（例如，KDE）是最流行且最有用的一些密度估算方法。可在任意数量的维度执行 KDE，但是在实践当中，高维数可能导致性能下降。SPSS® Modeler 中的 KDE 建模和 KDE 模拟节点公开 KDE 库的核心特征和常用参数。节点使用 Python 进行实现。¹

要使用 KDE 节点，必须设置上游“类型”节点。KDE 节点将从“类型”节点（或者上游源节点的“类型”选项卡）读取输入值。

KDE 建模节点位于 SPSS Modeler 的“建模”选项卡和 Python 选项卡上。 “KDE 建模”节点生成一个模型块，并且块的评分值是来自输入数据的核心密度值。

KDE 模拟节点位于“输出”选项卡和 Python 选项卡上。“KDE 模拟”节点生成 KDE Gen 源节点，后者可创建一些使用相同分布作为输入数据的记录。KDE Gen 节点包含“设置”选项卡，可在其中指定节点将创建的记录数（缺省值为 1）并生成随机种子。

有关 KDE 的更多信息，包括示例，请参阅 KDE 文档 (http://scikit-learn.org/stable/modules/density.html#kernel-density-estimation)。¹