CommencezCommencez gratuitement

Les métriques ne s'entendent pas toutes

Dans l'exercice précédent, vous avez vu que les métriques ne s'entendent pas toutes pour identifier les plus proches voisins. Mais est-ce qu'elles peuvent aussi diverger pour les éléments aberrants? Vous décidez de le vérifier. Vous reprenez les mêmes données qu'avant, mais cette fois vous les passez à un détecteur d'éléments aberrants de type facteur d'isolement local (Local Outlier Factor). Le module LocalOutlierFactor vous est fourni sous le nom lof, et les données sont dans features.

Cette activité fait partie du cours

Concevoir des flux de travail Machine Learning en Python

Voir le cours

Instructions de l’exercice

  • Détectez les éléments aberrants dans features en utilisant la métrique euclidean.
  • Détectez les éléments aberrants dans features en utilisant la métrique hamming.
  • Détectez les éléments aberrants dans features en utilisant la métrique jaccard.
  • Vérifiez si les trois métriques s'entendent pour au moins un élément aberrant.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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(____ + ____ + ____ == ____))
Modifier et exécuter le code