IniziaInizia gratis

Non tutte le metriche sono d'accordo

Nel precedente esercizio hai visto che non tutte le metriche concordano nell’identificare i vicini più prossimi. Ma questo significa che potrebbero non essere d'accordo anche sugli outlier? Decidi di metterlo alla prova. Usi gli stessi dati di prima, ma questa volta li passi a un rilevatore di outlier basato sul Local Outlier Factor. Il modulo LocalOutlierFactor è stato messo a tua disposizione come lof, e i dati sono disponibili come features.

Questo esercizio fa parte del corso

Progettare workflow di Machine Learning in Python

Visualizza il corso

Istruzioni dell'esercizio

  • Rileva gli outlier in features usando la metrica euclidean.
  • Rileva gli outlier in features usando la metrica hamming.
  • Rileva gli outlier in features usando la metrica jaccard.
  • Verifica se tutte e tre le metriche concordano su almeno un outlier.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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(____ + ____ + ____ == ____))
Modifica ed esegui il codice