Zacznij terazZacznij za darmo

Metryki nie zawsze są zgodne

W poprzednim ćwiczeniu przekonałeś się, że nie wszystkie metryki są zgodne w kwestii identyfikowania najbliższych sąsiadów. Czy to jednak oznacza, że mogą się też różnić w wykrywaniu wartości odstających? Postanawiasz to sprawdzić. Używasz tych samych danych co poprzednio, ale tym razem przekazujesz je do detektora wartości odstających opartego na lokalnym czynniku odstającym. Moduł LocalOutlierFactor jest dostępny jako lof, a dane są dostępne jako features.

To ćwiczenie jest częścią kursu

Projektowanie przepływów pracy uczenia maszynowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Wykryj wartości odstające w features przy użyciu metryki euclidean.
  • Wykryj wartości odstające w features przy użyciu metryki hamming.
  • Wykryj wartości odstające w features przy użyciu metryki jaccard.
  • Sprawdź, czy wszystkie trzy metryki są zgodne co do co najmniej jednej wartości odstającej.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Compute outliers according to the euclidean metric
out_eucl = ____(metric='euclidean').fit_predict(features)

# Compute outliers according to the hamming metric
out_hamm = ____(metric=____).fit_predict(features)

# Compute outliers according to the jaccard metric
out_jacc  = ____(____=____).____(features)

# Find if the metrics agree on any one datapoint
print(any(____ + ____ + ____ == ____))
Edytuj i uruchom kod