Alternatieve manier van classificeren met IForest

Tot nu toe heb je de methode .fit_predict() gebruikt om IForest tegelijk te fitten en voorspellingen te genereren. De documentatie van pyod raadt echter aan om eerst de functie fit te gebruiken en vervolgens de inlier-/outlier-labels_ via een handig attribuut op te vragen.

Je oefent dit op de big_mart-gegevensset.

Deze oefening maakt deel uit van de cursus

Anomaly Detection in Python

Bekijk cursus

Oefeninstructies

Fit (alleen fit) de IForest()-schatter op big_mart.
Haal de trainingslabels op en sla ze op als labels.
Gebruik pandas-subsetting op big_mart om de outliers te filteren in outliers.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

iforest = IForest(n_estimators=200)

# Fit (only fit) it to the Big Mart sales
____

# Access the labels_ for the data
labels = iforest.____

# Filter outliers from big_mart
outliers = ____[____]

print(len(outliers))

Code bewerken en uitvoeren