ПочатиПочніть безкоштовно

Тренуємося стандартизувати дані

Небезпечно бездумно застосовувати KNN до невідомих розподілів. Його якість різко падає, коли розподіли ознак мають різні масштаби. Нестандартизовані ознаки спотворюють обчислення відстаней і призводять до нереалістичних аномальних балів.

Поширений підхід, щоб цьому зарадити, — стандартизація: від кожної ознаки віднімають середнє та ділять на стандартне відхилення. У результаті ознака матиме середнє 0 і дисперсію 1.

Попрактикуйтеся в стандартизації на наборі females, який уже завантажено для вас.

Ця вправа є частиною курсу

Виявлення аномалій у Python

Переглянути курс

Інструкції до вправи

  • Створіть екземпляр StandardScaler() і збережіть його як ss.
  • Видобудьте масиви ознак і цілі у X і y. Ціль — стовпець weightkg.
  • Навчіть StandardScaler() на X і одночасно перетворіть його за допомогою fit_transform.
  • Повторіть попередній крок, але збережіть назви стовпців датафрейма X.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

from sklearn.preprocessing import StandardScaler

# Initialize a StandardScaler
ss = ____

# Extract feature and target arrays
X = ____ 
y = ____

# Fit/transform X
X_transformed = ____

# Fit/transform X but preserve the column names
X.____ = ____
Редагувати та запускати код