1. 学ぶ
    2. /
  2. コース
    3. /
  3. Projektowanie przepływów pracy uczenia maszynowego w Pythonie
Connected

演習

Parametr skażenia LoF

Twój doradca medyczny z firmy zajmującej się arytmią informuje cię, że dane treningowe mogą nie zawierać wszystkich możliwych typów arytmii. Jak w takim razie wykryć pozostałe typy, nie mając żadnych oznaczonych przykładów? Czy detektor anomalii potrafi odróżnić zdrowe przypadki od chorych bez dostępu do etykiet? Najpierw poeksperymentuj z parametrem skażenia, żeby zobaczyć jego wpływ na macierz pomyłek. Do dyspozycji masz LocalOutlierFactor jako lof, numpy jako np, etykiety jako ground_truth zakodowane w -1 i 1 – tak samo jak wyniki lokalnego współczynnika wartości odstających – oraz nieoznakowane dane treningowe jako X.

指示1 / 3

undefined XP
  • 1

    Dopasuj lokalny współczynnik wartości odstających, uzyskaj predykcje dla X i wydrukuj macierz pomyłek dla tych predykcji.

  • 2

    Powtórz to samo, ale tym razem ustaw proporcję punktów danych oznaczanych jako wartości odstające na 0,2. Wydrukuj macierz pomyłek.

  • 3

    Teraz ustaw skażenie równe rzeczywistej proporcji wartości odstających w danych.