Contamination LoF
Votre conseillère médicale à la jeune pousse en arythmie vous informe que vos données d'entraînement pourraient ne pas couvrir tous les types possibles d'arythmie. Comment allez-vous détecter ces autres types sans exemples étiquetés? Un détecteur d'anomalies pourrait-il distinguer le normal du pathologique sans accès aux étiquettes? Mais d'abord, vous expérimentez le paramètre de contamination pour voir son effet sur la matrice de confusion. Vous avez LocalOutlierFactor sous lof, numpy sous np, les étiquettes comme ground_truth codées en -1 et 1 tout comme la sortie de Local Outlier Factor, et les données d'entraînement non étiquetées sous X.
Cette activité fait partie du cours
Concevoir des flux de travail Machine Learning en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Fit the local outlier factor and output predictions
preds = lof().____(X)
# Print the confusion matrix
print(____(ground_truth, preds))