Тестування QuantileTransformer
Стандартизація має ті самі вади, що й z-оцінки. Обидва підходи використовують середнє та стандартне відхилення в обчисленнях, тому вони дуже чутливі до екстремальних значень.
Щоб обійти цю проблему, варто використовувати QuantileTransformer, який працює з квантилями. Квантилі розподілу не змінюються залежно від величини викидів.
Використовуйте StandardScaler, коли дані мають нормальний розподіл (це можна перевірити за гістограмою). Для інших розподілів кращим вибором буде QuantileTransformer.
Ви потренуєтеся на завантаженому наборі даних females. matplotlib.pyplot імпортовано зі стандартним псевдонімом plt.
Ця вправа є частиною курсу
Виявлення аномалій у Python
Інструкції до вправи
- Створіть
QuantileTransformer(), який перетворює ознаки до нормального розподілу, і запишіть його вqt. - Навчіть і трансформуйте масив ознак
X, зберігши назви стовпців. - Побудуйте гістограму стовпця
palmlength.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
from sklearn.preprocessing import QuantileTransformer
# Instantiate an instance that casts to normal
qt = ____
# Fit and transform the feature array
X.____ = ____
# Plot a histogram of palm length
plt.____(____, color='red')
plt.xlabel("Palm length")
plt.show()