QuantileTransformer testen
Standaardiseren kent dezelfde valkuilen als z-scores. Beide gebruiken het gemiddelde en de standaarddeviatie in hun berekeningen, waardoor ze zeer gevoelig zijn voor extreme waarden.
Om dit probleem te omzeilen, kun je QuantileTransformer gebruiken, die met kwantielen werkt. Kwantielen van een verdeling blijven gelijk, ongeacht de grootte van uitschieters.
Gebruik StandardScaler wanneer de data normaal verdeeld is (dit kun je controleren met een histogram). Voor andere verdelingen is QuantileTransformer een betere keuze.
Je oefent op de geladen females-gegevensset. matplotlib.pyplot is geladen onder de standaardalias plt.
Deze oefening maakt deel uit van de cursus
Anomaly Detection in Python
Oefeninstructies
- Instantieer een
QuantileTransformer()die features naar een normale verdeling transformeert en wijs deze toe aanqt. - Fit en transformeer de feature-array
Xen behoud de kolomnamen. - Plot een histogram van de kolom
palmlength.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
from sklearn.preprocessing import QuantileTransformer
# Instantiate an instance that casts to normal
qt = ____
# Fit and transform the feature array
X.____ = ____
# Plot a histogram of palm length
plt.____(____, color='red')
plt.xlabel("Palm length")
plt.show()