CommencerCommencer gratuitement

Toutes les métriques ne sont pas d’accord

Dans l’exercice précédent, vous avez vu que toutes les métriques ne s’accordent pas pour identifier les plus proches voisins. Mais est-ce que cela signifie qu’elles peuvent aussi diverger sur les anomalies ? Vous décidez de le vérifier. Vous reprenez les mêmes données que précédemment, mais cette fois vous les passez à un détecteur d’anomalies de type Local Outlier Factor. Le module LocalOutlierFactor vous est fourni sous le nom lof, et les données sont disponibles sous features.

Cet exercice fait partie du cours

Concevoir des workflows de Machine Learning en Python

Afficher le cours

Instructions

  • Détectez les anomalies dans features en utilisant la métrique euclidean.
  • Détectez les anomalies dans features en utilisant la métrique hamming.
  • Détectez les anomalies dans features en utilisant la métrique jaccard.
  • Vérifiez si les trois métriques s’accordent sur au moins une même anomalie.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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