KNN dengan probabilitas pencilan

Karena kita tidak dapat sepenuhnya memercayai keluaran saat menggunakan contamination, mari periksa ulang pekerjaan kita menggunakan probabilitas pencilan. Nilai ini lebih dapat diandalkan.

Himpunan data telah dimuat sebagai females dan estimator KNN juga sudah diimpor.

Latihan ini merupakan bagian dari kursus

Deteksi Anomali dengan Python

Lihat Kursus

Instruksi latihan

Bentuk instance KNN dengan 20 tetangga.
Hitung probabilitas pencilan.
Buat mask boolean yang menghasilkan nilai true ketika probabilitas pencilan di atas 55%.
Gunakan is_outlier untuk memfilter pencilan dari females.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# 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))

Edit dan Jalankan Kode