Kom igångKom igång gratis

Måtten är inte alltid överens

I föregående övning såg du att olika avståndsmått inte alltid är överens om vilka som är närmaste grannar. Men innebär det att de också kan vara oense om vilka exempel som är avvikande? Du bestämmer dig för att testa det. Du använder samma data som tidigare, men matar den den här gången in i en lokal avvikelsefaktor-detektor. Modulen LocalOutlierFactor finns tillgänglig som lof, och datan finns tillgänglig som features.

Den här övningen är en del av kursen

Att designa maskininlärningsflöden i Python

Visa kurs

Övningsinstruktioner

  • Detektera avvikelser i features med hjälp av måttet euclidean.
  • Detektera avvikelser i features med hjälp av måttet hamming.
  • Detektera avvikelser i features med hjälp av måttet jaccard.
  • Kontrollera om alla tre måtten är överens om någon enskild avvikelse.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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(____ + ____ + ____ == ____))
Redigera och kör kod