KNN avec probabilités d’anomalie

Comme nous ne pouvons pas nous fier entièrement au résultat lorsque nous utilisons contamination, vérifions notre travail à l’aide des probabilités d’anomalie. Elles sont plus fiables.

Le jeu de données a été chargé sous le nom females et l’estimateur KNN est également importé.

Cet exercice fait partie du cours

<cours>Détection d’anomalies en Python</cours>

Voir le cours

Instructions de l’exercice

Instanciez KNN avec 20 voisins.
Calculez les probabilités d’anomalie.
Créez un masque booléen qui renvoie des valeurs vraies lorsque la probabilité d’anomalie est supérieure à 55 %.
Utilisez is_outlier pour filtrer les anomalies à partir de females.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Instantiate a KNN with 20 neighbors and fit to `females`
knn = ____
knn.____

# Calculate probabilities
probs = ____

# Create a boolean mask
is_outlier = ____

# Use the boolean mask to filter the outliers
outliers = ____

print(len(outliers))

Modifier et exécuter le code