MulaiMulai sekarang secara gratis

Tidak semua metrik sepakat

Pada latihan sebelumnya Anda melihat bahwa tidak semua metrik sepakat dalam mengidentifikasi tetangga terdekat. Apakah ini berarti mereka juga bisa berbeda pendapat soal outlier? Anda memutuskan untuk mengujinya. Anda menggunakan data yang sama seperti sebelumnya, tetapi kali ini memasukkannya ke detektor outlier Local Outlier Factor. Modul LocalOutlierFactor telah disediakan untuk Anda sebagai lof, dan datanya tersedia sebagai features.

Latihan ini adalah bagian dari kursus

Merancang Alur Kerja Machine Learning di Python

Lihat Kursus

Petunjuk latihan

  • Deteksi outlier dalam features menggunakan metrik euclidean.
  • Deteksi outlier dalam features menggunakan metrik hamming.
  • Deteksi outlier dalam features menggunakan metrik jaccard.
  • Cari apakah ketiga metrik tersebut sepakat pada satu outlier mana pun.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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(____ + ____ + ____ == ____))
Edit dan Jalankan Kode