Забруднення в LoF
Ваш медичний консультант у стартапі з аритмії повідомляє, що у вашому тренувальному наборі даних може не бути всіх можливих типів аритмії. Як же тоді визначити інші типи без жодних розмічених прикладів? Чи зможе детектор аномалій відрізнити здорові сигнали від нездорових без доступу до міток? Спершу поекспериментуйте з параметром «contamination», щоб подивитися, як він впливає на матрицю помилок. У вас є LocalOutlierFactor як lof, numpy як np, мітки ground_truth, закодовані як -1 і 1 так само, як вихід local outlier factor, та нерозмічені тренувальні дані X.
Ця вправа є частиною курсу
Проєктування робочих процесів машинного навчання в Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Fit the local outlier factor and output predictions
preds = lof().____(X)
# Print the confusion matrix
print(____(ground_truth, preds))