Testa QuantileTransformer
Standardisering har samma svagheter som z-poäng. Båda använder medelvärde och standardisering i sina beräkningar, vilket gör dem känsliga för extremvärden.
Ett sätt att komma runt det är att använda QuantileTransformer, som baseras på kvantiler. Kvantilerna i en fördelning påverkas inte av storleken på extremvärden.
Använd StandardScaler när data är normalfördelad – något du kan kontrollera med ett histogram. För andra fördelningar är QuantileTransformer ett bättre val.
Du får öva på datamängden females som redan är inläst. matplotlib.pyplot är importerat med standardaliaset plt.
Den här övningen är en del av kursen
Avvikelsedetektering i Python
Övningsinstruktioner
- Instantiera en
QuantileTransformer()som transformerar särdragen till en normalfördelning och tilldela den tillqt. - Passa och transformera särdragsmatrisen
Xoch bevara kolumnnamnen. - Rita ett histogram över kolumnen
palmlength.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
from sklearn.preprocessing import QuantileTransformer
# Instantiate an instance that casts to normal
qt = ____
# Fit and transform the feature array
X.____ = ____
# Plot a histogram of palm length
plt.____(____, color='red')
plt.xlabel("Palm length")
plt.show()