ÎncepețiÎncepe gratuit

Nu toate metricile sunt de acord

În exercițiul anterior ai văzut că nu toate metricile sunt de acord atunci când vine vorba de identificarea celor mai apropiați vecini. Dar înseamnă asta că ar putea să nu fie de acord nici în privința valorilor aberante? Decizi să testezi acest lucru. Folosești aceleași date ca înainte, de data aceasta introducându-le într-un detector de valori aberante bazat pe factorul local de anomalie. Modulul LocalOutlierFactor îți este disponibil sub numele lof, iar datele sunt disponibile ca features.

Acest exercițiu face parte din cursul

Proiectarea fluxurilor de lucru pentru Machine Learning în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Detectează valorile aberante din features folosind metrica euclidean.
  • Detectează valorile aberante din features folosind metrica hamming.
  • Detectează valorile aberante din features folosind metrica jaccard.
  • Verifică dacă toate cele trei metrice sunt de acord asupra unei singure valori aberante.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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(____ + ____ + ____ == ____))
Editează și rulează codul