Aggregation method को ट्यून करना

जब optimal पड़ोसियों (neighbors) की संख्या मिल जाए, तो अब दूरी को aggregate करने वाले method को ट्यून करने का समय है। अगर n_neighbors 10 है, तो हर datapoint के अपने सबसे नज़दीकी पड़ोसियों तक की दस distance measurements होंगी। KNN इन distances को aggregate करने के लिए तीन methods इस्तेमाल करता है: largest, mean, और median.

पता लगाइए कि females_transformed डेटासेट के लिए कौन-सा method बेहतर है। KNN estimator, evaluate_outlier_classifier और evaluate_regressor फंक्शन आपके लिए लोड किए गए हैं।

याद दिलाने के लिए फंक्शन बॉडी नीचे दी गई हैं:

def evaluate_outlier_classifier(model, data, threshold=.75):
    model.fit(data)

    probs = model.predict_proba(data)
    inliers = data[probs[:, 1] <= threshold]

    return inliers

def evaluate_regressor(inliers):
    X, y = inliers.drop("weightkg", axis=1), inliers[['weightkg']]
    X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=10, train_size=0.8)

    lr = LinearRegression()
    lr.fit(X_train, y_train)

    preds = lr.predict(X_test)
    rmse = root_mean_squared_error(y_test, preds)

    return round(rmse, 3)

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Anomaly Detection

पाठ्यक्रम देखें

अभ्यास निर्देश

n_neighbors और methods के product पर loop चलाइए और k तथा m को अस्थायी वैरिएबल मानकर KNN instantiate कीजिए.
मौजूदा KNN और 50% के threshold के साथ inliers निकालिए.
RMSE निकालिए और परिणाम को scores में k, m को key और RMSE को value के रूप में स्टोर कीजिए.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

n_neighbors = [5, 20]
methods = ['largest', 'mean', 'median']
scores = dict()

for k, m in ____:
    # Create a KNN instance
    knn = KNN(____, ____, n_jobs=-1)
    
    # Find the inliers with the current KNN
    inliers = ____

    # Calculate and store RMSE into scores
    scores[(k, m)] = ____
    
print(scores)

कोड संपादित करें और चलाएँ