Dostrajanie metody agregacji

Po znalezieniu optymalnej liczby sąsiadów czas dostroić metodę agregacji odległości (method). Jeśli n_neighbors wynosi 10, każdy punkt danych będzie miał dziesięć pomiarów odległości do swoich najbliższych sąsiadów. KNN oferuje trzy metody agregacji tych odległości: największa wartość, średnia i mediana.

Sprawdź, która z nich najlepiej sprawdza się dla zbioru danych females_transformed. Estymator KNN oraz funkcje evaluate_outlier_classifier i evaluate_regressor są już wczytane.

Poniżej przypomnienie treści tych funkcji:

def evaluate_outlier_classifier(model, data, threshold=.75):
    model.fit(data)

    probs = model.predict_proba(data)
    inliers = data[probs[:, 1] <= threshold]

    return inliers

def evaluate_regressor(inliers):
    X, y = inliers.drop("weightkg", axis=1), inliers[['weightkg']]
    X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=10, train_size=0.8)

    lr = LinearRegression()
    lr.fit(X_train, y_train)

    preds = lr.predict(X_test)
    rmse = root_mean_squared_error(y_test, preds)

    return round(rmse, 3)

To ćwiczenie jest częścią kursu

Wykrywanie anomalii w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Przejdź pętlą po iloczynie kartezjańskim n_neighbors i methods, a następnie utwórz instancję KNN z tymczasowymi zmiennymi k i m.
Wyznacz wartości wewnętrzne (inliers) przy użyciu bieżącego modelu KNN z progiem równym 50%.
Oblicz RMSE i zapisz wynik w słowniku scores, używając k, m jako klucza, a wartości RMSE jako wartości.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

n_neighbors = [5, 20]
methods = ['largest', 'mean', 'median']
scores = dict()

for k, m in ____:
    # Create a KNN instance
    knn = KNN(____, ____, n_jobs=-1)
    
    # Find the inliers with the current KNN
    inliers = ____

    # Calculate and store RMSE into scores
    scores[(k, m)] = ____
    
print(scores)

Edytuj i uruchom kod