Outra forma de classificar com IForest
Até agora, você tem usado o método .fit_predict() para ajustar o IForest e gerar previsões ao mesmo tempo. No entanto, a documentação do pyod sugere usar primeiro a função fit e acessar os rótulos de inlier/outlier por meio de um atributo prático, labels_.
Você vai praticar isso no conjunto de dados big_mart.
Este exercício faz parte do curso
Detecção de Anomalias em Python
Instruções do exercício
- Ajuste (apenas
fit) o estimadorIForest()aobig_mart. - Acesse os rótulos de treino e armazene-os em
labels. - Use subsetting do
pandasembig_martpara filtrar os outliers emoutliers.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
iforest = IForest(n_estimators=200)
# Fit (only fit) it to the Big Mart sales
____
# Access the labels_ for the data
labels = iforest.____
# Filter outliers from big_mart
outliers = ____[____]
print(len(outliers))