Tuning von contamination
Zum Schluss ist es Zeit, den berüchtigten Parameter contamination zu tunen. Die Funktionen evaluate_outlier_classifier und evaluate_regressor aus dem Video sind bereits für dich geladen. Du kannst sie dir unten ansehen.
def evaluate_outlier_classifier(model, data):
# Get labels
labels = model.fit_predict(data)
# Return inliers
return data[labels == 0]
def evaluate_regressor(inliers):
X = inliers.drop("price", axis=1)
y = inliers[['price']]
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=10)
lr = LinearRegression()
lr.fit(X_train, y_train)
preds = lr.predict(X_test)
rmse = root_mean_squared_error(y_test, preds)
return round(rmse, 3)
Du verwendest einen Auszug aus dem US‑Airbnb‑Listings‑Datensatz, der bereits als airbnb_df geladen wurde.
Diese Übung ist Teil des Kurses
Anomalieerkennung mit Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Create a list of contaminations and an empty dictionary
contaminations = ____
scores = ____