KNN met uitbijterkansen

Omdat we de output met contamination niet volledig kunnen vertrouwen, controleren we ons werk nog eens met uitbijterkansen. Die zijn betrouwbaarder.

De gegevensset is geladen als females en de KNN-schatter is ook geïmporteerd.

Deze oefening maakt deel uit van de cursus

Anomaly Detection in Python

Bekijk cursus

Oefeninstructies

Instantieer KNN met 20 buren.
Bereken de uitbijterkansen.
Maak een booleaanse mask die true teruggeeft waar de uitbijterkans boven 55% ligt.
Gebruik is_outlier om de uitbijters uit females te filteren.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Instantiate a KNN with 20 neighbors and fit to `females`
knn = ____
knn.____

# Calculate probabilities
probs = ____

# Create a boolean mask
is_outlier = ____

# Use the boolean mask to filter the outliers
outliers = ____

print(len(outliers))

Code bewerken en uitvoeren