Isolation Forest op tijdreeksen
Als je alle beschikbare informatie wilt gebruiken, kun je een multivariate outlierdetector trainen op de volledige gegevensset. Met de multivariate aanpak kun je ook meer features uit tijdreeksen halen om de modelprestatie te verbeteren.
Oefen met het maken van nieuwe features uit een DatetimeIndex en het trainen van een outlierdetector daarop met de apple-gegevensset, die al is geladen met een DatetimeIndex.
Denk ook aan de parameter random_state, waarmee je reproduceerbare resultaten kunt genereren.
Deze oefening maakt deel uit van de cursus
Anomaly Detection in Python
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# Create three new features from the DatetimeIndex
apple['day_of_week'] = ____
apple['month'] = ____
apple['day_of_month'] = _____