Testowanie QuantileTransformer
Standaryzacja jest podatna na te same problemy co wyniki z. Obie metody korzystają ze średniej i odchylenia standardowego, przez co są bardzo wrażliwe na wartości ekstremalne.
Aby ominąć ten problem, warto użyć QuantileTransformer, który opiera się na kwantylach. Kwantyle rozkładu pozostają niezmienne niezależnie od wielkości wartości odstających.
StandardScaler sprawdza się najlepiej, gdy dane mają rozkład normalny (co można sprawdzić za pomocą histogramu). Dla innych rozkładów lepszym wyborem jest QuantileTransformer.
Ćwiczenie wykonasz na wczytanym zbiorze danych females. Biblioteka matplotlib.pyplot jest wczytana pod standardowym aliasem plt.
To ćwiczenie jest częścią kursu
Wykrywanie anomalii w Pythonie
Instrukcje do ćwiczenia
- Utwórz instancję
QuantileTransformer(), która przekształca cechy do rozkładu normalnego, i przypisz ją doqt. - Dopasuj i przekształć tablicę cech
X, zachowując nazwy kolumn. - Narysuj histogram kolumny
palmlength.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
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()