Параметр загрязнения в LoF
Ваш медицинский консультант из стартапа по обнаружению аритмии сообщает, что обучающие данные могут не охватывать все возможные типы аритмии. Как тогда выявить эти типы без каких-либо размеченных примеров? Способен ли детектор аномалий отличить норму от патологии без доступа к меткам? Для начала поэкспериментируйте с параметром contamination, чтобы понять, как он влияет на матрицу ошибок. В вашем распоряжении: LocalOutlierFactor в виде переменной lof, numpy в виде np, метки в виде ground_truth со значениями -1 и 1 (в том же формате, что и выходные данные метода локального фактора выброса), а также немаркированные обучающие данные в виде X.
Это упражнение является частью курса
Проектирование рабочих процессов машинного обучения на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Fit the local outlier factor and output predictions
preds = lof().____(X)
# Print the confusion matrix
print(____(ground_truth, preds))