Začněte nyníZačněte zdarma

Metriky se neshodují

V předchozím cvičení ses přesvědčil/a, že různé metriky se ne vždy shodnou na tom, kdo jsou nejbližší sousedé. Ale znamená to, že se mohou rozcházet i při identifikaci odlehlých hodnot? Rozhodneš se to prověřit. Použiješ stejná data jako předtím, ale tentokrát je předáš do detektoru odlehlých hodnot založeného na local outlier factor. Modul LocalOutlierFactor máš k dispozici jako lof a data jsou uložena v proměnné features.

Toto cvičení je součástí kurzu

Designing Machine Learning Workflows in Python

Zobrazit kurz

Pokyny k cvičení

  • Detekuj odlehlé hodnoty v features pomocí metriky euclidean.
  • Detekuj odlehlé hodnoty v features pomocí metriky hamming.
  • Detekuj odlehlé hodnoty v features pomocí metriky jaccard.
  • Zjisti, zda se všechny tři metriky shodují alespoň na jedné odlehlé hodnotě.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Compute outliers according to the euclidean metric
out_eucl = ____(metric='euclidean').fit_predict(features)

# Compute outliers according to the hamming metric
out_hamm = ____(metric=____).fit_predict(features)

# Compute outliers according to the jaccard metric
out_jacc  = ____(____=____).____(features)

# Find if the metrics agree on any one datapoint
print(any(____ + ____ + ____ == ____))
Upravit a spustit kód