Alternatywny sposób klasyfikowania z IForest
Do tej pory do dopasowania modelu IForest i generowania predykcji jednocześnie używano metody .fit_predict(). Dokumentacja pyod sugeruje jednak najpierw wywołanie funkcji fit, a następnie odczytanie etykiet wartości typowych i odstających (labels_) za pomocą wygodnego atrybutu.
Przećwicz to na zbiorze danych big_mart.
To ćwiczenie jest częścią kursu
Wykrywanie anomalii w Pythonie
Instrukcje do ćwiczenia
- Dopasuj (tylko
fit) estymatorIForest()do zbiorubig_mart. - Pobierz etykiety treningowe i zapisz je jako
labels. - Użyj filtrowania
pandasna zbiorzebig_mart, aby wyodrębnić wartości odstające do zmiennejoutliers.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
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))