การเลือกค่า contamination
แม้การเขียนโค้ดจะใช้เพียงไม่กี่บรรทัด แต่การหาค่า contamination ที่เหมาะสมนั้นต้องอาศัยความใส่ใจ
โปรดจำไว้ว่าพารามิเตอร์ contamination มีผลเฉพาะกับผลลัพธ์ของ IForest เท่านั้น เมื่อ IForest สร้าง anomaly score ดิบแล้ว contamination จะถูกใช้เพื่อเลือก n% บนสุดของ anomaly score มาเป็น outlier ตัวอย่างเช่น ค่า contamination 5% จะเลือกข้อมูลที่มี anomaly score สูงสุด 5% มาเป็น outlier
แม้ว่าจะมีการพูดถึงวิธีการปรับแต่งค่าในวิดีโอถัดไป แต่ตอนนี้ให้ฝึกกำหนดค่าพารามิเตอร์นี้แบบกำหนดเองก่อน
ข้อมูลถูกโหลดไว้ในตัวแปร big_mart
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การตรวจจับความผิดปกติใน Python
คำแนะนำการฝึกหัด
- สร้าง estimator
IForest()โดยกำหนดcontaminationเป็น 5% - Fit โมเดลกับข้อมูลยอดขาย Big Mart
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
from pyod.models.iforest import IForest
# Instantiate an instance with 5% contamination
iforest = ____
# Fit IForest to Big Mart sales data
____