Histogramy z prywatnością różnicową
W tym ćwiczeniu skorzystasz ze zbioru danych Heart Failure Prediction, stosując podejście oparte na prywatności różnicowej. Wygenerujesz i przeanalizujesz prywatne oraz nieprywatne histogramy, a następnie je porównasz.
Skupisz się na histogramach zmiennej age z tego zbioru danych. Choć w konsoli masz dostęp do niezmienionego DataFrame'a, w rzeczywistości nie udostępniałoby się go bez dodania szumu losowego obliczonego metodą prywatności różnicowej według podejścia globalnego.
DataFrame jest wczytany jako heart_df, natomiast obiekt Series zawierający wartości zmiennej age jest przechowywany jako ages. Moduł tools z biblioteki diffprivlib jest już zaimportowany.
To ćwiczenie jest częścią kursu
Prywatność danych i anonimizacja w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Get counts and bars for non-private histogram of ages
counts, bins = ____
# Normalize counts to get proportions
proportions = ____
# Draw the histogram of proportions
plt.bar(____[: - 1], height=____, width=(bins[1] - bins[0]))
plt.show()