Dobór parametru contamination
Choć implementacja kodu zajmuje zaledwie kilka linii, dobór odpowiedniej wartości parametru contamination wymaga uwagi.
Pamiętaj, że parametr contamination wpływa wyłącznie na wyniki IForest. Gdy IForest wygeneruje surowe wyniki anomalii, contamination służy do wybrania górnych n% tych wyników jako wartości odstających. Na przykład wartość 5% oznacza, że obserwacje z najwyższymi 5% wyników anomalii zostaną uznane za wartości odstające.
Metody strojenia tego parametru omówimy w kolejnym filmie, ale najpierw poćwicz ustawianie dowolnej wartości parametru.
Dane są wczytane jako big_mart.
To ćwiczenie jest częścią kursu
Wykrywanie anomalii w Pythonie
Instrukcje do ćwiczenia
- Utwórz instancję estymatora
IForest()z parametremcontaminationustawionym na 5%. - Dopasuj instancję do danych sprzedażowych Big Mart.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
from pyod.models.iforest import IForest
# Instantiate an instance with 5% contamination
iforest = ____
# Fit IForest to Big Mart sales data
____