การปรับแต่งวิธีการรวมค่าระยะทาง

เมื่อพบจำนวนเพื่อนบ้านที่เหมาะสมแล้ว ขั้นตอนถัดไปคือการปรับแต่ง method สำหรับการรวมค่าระยะทาง หาก n_neighbors เท่ากับ 10 แต่ละจุดข้อมูลจะมีระยะทางไปยังเพื่อนบ้านที่ใกล้ที่สุด 10 ค่า KNN มีสามวิธีในการรวมค่าระยะทางเหล่านั้น ได้แก่ largest, mean และ median

ลองหาว่าวิธีใดให้ผลดีที่สุดสำหรับชุดข้อมูล females_transformed โดย KNN estimator รวมถึงฟังก์ชัน evaluate_outlier_classifier และ evaluate_regressor ถูกโหลดไว้ให้แล้ว

ด้านล่างคือโค้ดของฟังก์ชันสำหรับอ้างอิง:

def evaluate_outlier_classifier(model, data, threshold=.75):
    model.fit(data)

    probs = model.predict_proba(data)
    inliers = data[probs[:, 1] <= threshold]

    return inliers

def evaluate_regressor(inliers):
    X, y = inliers.drop("weightkg", axis=1), inliers[['weightkg']]
    X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=10, train_size=0.8)

    lr = LinearRegression()
    lr.fit(X_train, y_train)

    preds = lr.predict(X_test)
    rmse = root_mean_squared_error(y_test, preds)

    return round(rmse, 3)

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การตรวจจับความผิดปกติใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

วนลูปผ่านผลคูณของ n_neighbors และ methods แล้วสร้าง KNN โดยใช้ตัวแปรชั่วคราว k และ m
หาค่า inliers โดยใช้ KNN ปัจจุบันและ threshold ที่ 50%
คำนวณ RMSE แล้วเก็บผลลัพธ์ลงใน scores โดยใช้ k, m เป็น key และ RMSE เป็นค่า

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

n_neighbors = [5, 20]
methods = ['largest', 'mean', 'median']
scores = dict()

for k, m in ____:
    # Create a KNN instance
    knn = KNN(____, ____, n_jobs=-1)
    
    # Find the inliers with the current KNN
    inliers = ____

    # Calculate and store RMSE into scores
    scores[(k, m)] = ____
    
print(scores)

แก้ไขและรันโค้ด