Bulaşma oranına yeniden bakış
Tek-sınıf SVM'in bir contamination parametresi olmadığını fark ediyorsun. Ama artık çok iyi biliyorsun ki, yanlış pozitif oranını kontrol edebilmek için yenilik olarak etiketlenen örneklerin oranını kontrol etmenin bir yoluna ihtiyacın var. Bu yüzden skorları eşikleyerek denemeler yapmaya karar veriyorsun. Algılayıcı onesvm olarak içe aktarıldı; ayrıca X_train, X_test, y_train, y_test veri kümelerine, numpy için np takma adına ve confusion_matrix() fonksiyonuna erişimin var.
Bu egzersiz, kursun bir parçasıdır
Python'da Machine Learning İş Akışları Tasarlama
Egzersiz talimatları
- 1-sınıf SVM'i eğit ve test verisini skorla.
- Test verisindeki aykırı değerlerin gözlenen oranını hesapla.
- Bu orana ulaşmak için skorları nerede eşiklemen gerektiğini bulmak üzere
np.quantile()kullan. - Bu eşiği kullanarak test verisini etiketle. Karışıklık matrisini yazdır.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Fit a one-class SVM detector and score the test data
nov_det = ____(X_train)
scores = ____(X_test)
# Find the observed proportion of outliers in the test data
prop = np.____(y_test==____)
# Compute the appropriate threshold
threshold = np.____(____, ____)
# Print the confusion matrix for the thresholded scores
print(confusion_matrix(y_test, ____ > ____))