НачатьНачать бесплатно

Метрики расходятся во мнениях

В предыдущем упражнении вы убедились, что разные метрики могут по-разному определять ближайших соседей. Но означает ли это, что они также могут расходиться во мнениях при обнаружении выбросов? Вы решаете проверить это на практике. Используйте те же данные, что и раньше, но на этот раз передайте их в детектор выбросов на основе локального фактора выброса. Модуль LocalOutlierFactor доступен вам как lof, а данные — как features.

Это упражнение является частью курса

Проектирование рабочих процессов машинного обучения на Python

Посмотреть курс

Инструкции к упражнению

  • Обнаружьте выбросы в features, используя метрику euclidean.
  • Обнаружьте выбросы в features, используя метрику hamming.
  • Обнаружьте выбросы в features, используя метрику jaccard.
  • Проверьте, согласны ли все три метрики хотя бы в отношении одного выброса.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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(____ + ____ + ____ == ____))
Редактировать и запускать код