Premier usage de LOF

LOF ne diffère de KNN que par son algorithme interne et l’absence du paramètre method. Entraînez-vous à détecter des valeurs aberrantes avec un filtrage par contamination sur la version mise à l’échelle du jeu de données females des exercices précédents.

Le jeu de données a été chargé sous le nom females_transformed.

Cet exercice fait partie du cours

Détection d’anomalies en Python

Afficher le cours

Instructions

Importez l’estimateur LOF depuis le module pyod correspondant.
Instanciez un LOF() avec 0,3 % de contamination, 20 voisins et n_jobs défini à -1.
Créez un index booléen qui renvoie des valeurs True lorsque les labels_ retournés par lof sont égaux à 1.
Isolez les valeurs aberrantes de females_transformed en utilisant is_outlier.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Import LOF from its relevant module
from pyod.____ import ____

# Instantiate LOF and fit to females_transformed
lof = ____
lof.____

# Create a boolean index that checks for outliers
is_outlier = ____

# Isolate the outliers
outliers = ____

print(len(outliers))

Modifier et exécuter le code