Memvisualisasikan skor jarak kNN

Skor jarak kNN sulit ditafsirkan hanya dengan menatap sekumpulan nilai. Gunakan sebar (scatterplot) untuk memvisualisasikan skor jarak kNN agar Anda memahami cara kerja skornya. Saat menafsirkan plot, ukuran relatif skor jarak kNN lebih informatif daripada nilai absolutnya.

Data wine telah dimuat dengan skor jarak kNN yang ditambahkan dari latihan sebelumnya.

Latihan ini merupakan bagian dari kursus

Pengantar Deteksi Anomali di R

Instruksi latihan

Gunakan scatterplot untuk menampilkan pH dan alcohol pada skala aslinya.
Berikan nilai yang sesuai pada argumen cex sehingga setiap titik berukuran proporsional dengan akar kuadrat dari score.
Sesuaikan argumen karakter plot pch agar titik ditampilkan sebagai bulatan solid.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Scatterplot showing pH, alcohol and kNN score
plot(pH ~ alcohol, ___, cex = ___, pch = ___)

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Pengantar Deteksi Anomali di R

SkillTag.level.intermediateSkillTag.label

4.8+

Mulai Kursus Gratis

Pada bab ini, Anda akan mempelajari bagaimana ringkasan numerik dan grafis dapat digunakan untuk menilai secara informal apakah data mengandung titik yang tidak biasa. Anda akan menggunakan prosedur statistik yang disebut uji Grubbs untuk memeriksa apakah suatu titik merupakan pencilan, dan mempelajari algoritme Seasonal-Hybrid ESD, yang dapat membantu mengidentifikasi pencilan ketika datanya berupa deret waktu.

Exercise 1: Apa yang dimaksud ketika kita membicarakan anomali?Exercise 2: Mengenali jenis-jenis anomali Exercise 3: Menjelajahi data nitrat sungai Exercise 4: Menguji nilai ekstrem dengan uji Grubbs Exercise 5: Pemeriksaan visual kenormalan Exercise 6: Uji Grubbs Exercise 7: Memburu beberapa pencilan dengan uji Grubbs Exercise 8: Anomali dalam deret waktu Exercise 9: Penilaian visual terhadap musiman Exercise 10: Algoritme Seasonal Hybrid ESD Exercise 11: Menafsirkan keluaran Seasonal-Hybrid ESD Exercise 12: Seasonal-Hybrid ESD versus Grubbs' test

Pada bab ini, Anda akan mempelajari cara menghitung jarak k-nearest neighbors dan local outlier factor, yang digunakan untuk membangun skor anomali kontinu bagi setiap titik data ketika data memiliki banyak fitur. Anda akan mempelajari perbedaan antara anomali lokal dan global serta bagaimana kedua algoritme dapat membantu dalam masing-masing kasus.

Exercise 1: skor jarak k-nearest neighbors Exercise 2: Mengeksplorasi wine Exercise 3: Matriks jarak kNN Exercise 4: Skor jarak kNN Exercise 5: Memvisualisasikan jarak kNN Exercise 6: Standardisasi fitur Exercise 7: Menambahkan skor kNN Exercise 8: Memvisualisasikan skor jarak kNN

Latihan Saat Ini

Exercise 9: Faktor pencilan lokal Exercise 10: Perhitungan LOF Exercise 11: Visualisasi LOF Exercise 12: LOF vs kNN

Jarak k-nearest neighbors dan local outlier factor menggunakan jarak atau kerapatan relatif dari tetangga terdekat untuk memberi skor pada setiap titik. Pada bab ini, Anda akan mengeksplorasi pendekatan alternatif berbasis pohon yang disebut isolation forest, yaitu metode cepat dan andal untuk mendeteksi anomali yang mengukur seberapa mudah titik-titik dapat dipisahkan dengan membagi data secara acak menjadi wilayah yang semakin kecil.

Exercise 1: Pohon isolasi Exercise 2: Melatih dan memprediksi dengan isolation tree Exercise 3: Interpretasi skor Exercise 4: Isolation forest Exercise 5: Melatih isolation forest Exercise 6: Memeriksa konvergensi Exercise 7: Memvisualisasikan skor isolasi Exercise 8: Sebuah kisi titik Exercise 9: Prediksi pada grid Exercise 10: Kontur anomali

Anda kini telah diperkenalkan pada beberapa algoritme untuk pemeringkatan anomali. Pada bab terakhir ini, Anda akan mempelajari cara membandingkan kinerja deteksi dari algoritme ketika anomali berlabel tersedia. Anda akan mempelajari cara menghitung dan menafsirkan statistik precision dan recall untuk sebuah skor anomali, serta bagaimana menyesuaikan algoritme agar dapat mengakomodasi data dengan fitur kategorikal.

Exercise 1: Anomali berlabel Exercise 2: Data tiroid Exercise 3: Memvisualisasikan penyakit tiroid Exercise 4: Skor anomali Exercise 5: Mengukur kinerja Exercise 6: Skor terbiner Exercise 7: Tabulasi silang skor biner Exercise 8: Presisi dan recall untuk tiroid Exercise 9: Bekerja dengan fitur kategorikal Exercise 10: Mengonversi character menjadi factor Exercise 11: Isolation forest dengan faktor Exercise 12: LOF dengan faktor Exercise 13: Rangkuman