집계 방법 튜닝하기
최적의 이웃 수를 찾았다면, 이제 거리 집계를 위한 method를 튜닝할 차례예요. n_neighbors가 10이면, 각 데이터 포인트는 가장 가까운 이웃 10개까지의 거리 값을 갖게 됩니다. KNN은 이 거리들을 집계할 때 largest, mean, median의 세 가지 방법을 사용해요.
어떤 방법이 females_transformed 데이터셋에 가장 잘 맞는지 확인해 보세요. KNN 추정기, evaluate_outlier_classifier, evaluate_regressor 함수는 이미 로드되어 있어요.
다음은 참고용 함수 본문입니다:
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)
이 연습은 강의의 일부입니다
Python으로 배우는 이상치 탐지
연습 안내
n_neighbors와methods의 데카르트 곱을 반복(iterate)하면서k와m임시 변수를 사용해KNN을 인스턴스화하세요.- 현재
KNN과 임계값 50%로 inlier를 찾으세요. - RMSE를 계산하고,
k,m을 키로, RMSE를 값으로 하여scores에 저장하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
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)