Välja kontaminering
Även om implementationen bara kräver några rader kod, kräver valet av lämplig kontaminering lite eftertanke.
Kom ihåg att parametern contamination bara påverkar resultaten från IForest. När IForest har genererat råa anomalipoäng används contamination för att välja de översta n% av anomalipoängen som avvikelser. Till exempel innebär 5% kontaminering att de observationer med de högsta 5% av anomalipoängen väljs ut som avvikelser.
Vi kommer att gå igenom några justeringsmetoder i nästa video, men här får du öva på att sätta ett godtyckligt värde för parametern.
Datan är inläst som big_mart.
Den här övningen är en del av kursen
Avvikelsedetektering i Python
Övningsinstruktioner
- Instantiera en
IForest()-estimator med 5%contamination. - Anpassa instansen till Big Mart-försäljningsdata.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
from pyod.models.iforest import IForest
# Instantiate an instance with 5% contamination
iforest = ____
# Fit IForest to Big Mart sales data
____