Toplama yöntemini ayarlama

Komşu sayısının en iyi değeri bulunduğunda, mesafe toplama method parametresini ayarlama zamanı gelir. n_neighbors 10 ise, her veri noktası en yakın komşularına olan on mesafe ölçümüne sahip olur. KNN bu mesafeleri toplamak için üç yöntem kullanır: largest, mean ve median.

Hangisinin females_transformed veri kümesi için en iyi olduğunu bul. KNN kestiricisi ile evaluate_outlier_classifier ve evaluate_regressor fonksiyonları senin için yüklendi.

Anımsatma olarak fonksiyon gövdeleri aşağıda:

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)

Bu egzersiz

Python ile Anomali Tespiti

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

n_neighbors ve methods'ün kartezyen çarpımı üzerinde döngü kur ve k ile m geçici değişkenlerini kullanarak KNN örnekle.
Geçerli KNN ile ve %50 eşik değeriyle inlier'ları bul.
RMSE'yi hesapla ve sonucu scores içine anahtar olarak k, m, değer olarak da RMSE ile kaydet.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

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)

Kodu Düzenle ve Çalıştır