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.
To ćwiczenie jest częścią kursu
Projektowanie przepływów pracy uczenia maszynowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Fit the local outlier factor and output predictions
preds = lof().____(X)
# Print the confusion matrix
print(____(ground_truth, preds))