1. Nauka
    2. /
  2. Kursy
    3. /
  3. Prywatność danych i anonimizacja w Pythonie
Connected

ćwiczenie

Zbuduj klasyfikator z prywatnością różnicową

W tym ćwiczeniu zbudujesz i wytrenowasz prywatny model Gaussowskiego Naiwnego Bayesa na zbiorze danych Penguin, aby sklasyfikować, czy pingwin jest samcem, czy samicą.

K-anonimowość nie sprawdza się dobrze przy zbiorach danych o dużej liczbie wymiarów lub dużej różnorodności – ze względu na istotne ograniczenia teoretyczne i praktyczne, znane jako „klątwa wymiarowości". Wraz ze wzrostem liczby cech lub wymiarów, ilość danych potrzebnych do dokładnego uogólnienia rośnie wykładniczo. To jeden z powodów, dla których prywatność różnicowa jest obecnie preferowanym modelem ochrony prywatności. Epsilon jest niezależny od jakiejkolwiek wiedzy kontekstowej i „ogranicza" ujawnianie wrażliwych informacji.

DataFrame jest wczytany jako penguin_df i podzielony na X_train, y_train, X_test oraz y_test. Klasa prywatnego modelu została zaimportowana jako dp_GaussianNB.

Instrukcje

100 XP
  • Utwórz klasyfikator dp_GaussianNB bez parametrów.
  • Dopasuj wcześniej utworzony model do danych, nie podając żadnych parametrów.
  • Oblicz wynik prywatnego modelu na podstawie danych testowych.