LOF voor het eerst

LOF verschilt van KNN alleen in het interne algoritme en het ontbreken van de parameter method. Oefen met het detecteren van uitschieters met contaminatiefiltering op de geschaalde versie van de females-gegevensset uit de vorige oefeningen.

De gegevensset is geladen als females_transformed.

Deze oefening maakt deel uit van de cursus

Anomaly Detection in Python

Bekijk cursus

Oefeninstructies

Importeer de estimator LOF uit de relevante pyod-module.
Instantieer een LOF() met 0,3% contaminatie, 20 buren en n_jobs ingesteld op -1.
Maak een booleaanse index die True teruggeeft wanneer de labels_ van lof gelijk zijn aan 1.
Isoleer de uitschieters uit females_transformed met is_outlier.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Import LOF from its relevant module
from pyod.____ import ____

# Instantiate LOF and fit to females_transformed
lof = ____
lof.____

# Create a boolean index that checks for outliers
is_outlier = ____

# Isolate the outliers
outliers = ____

print(len(outliers))

Code bewerken en uitvoeren