測試 QuantileTransformer
標準化與 z 分數有相同的風險。兩者的計算都使用平均數與標準差，因此對極端值非常敏感。
為了避開這個問題，你應該使用以分位數為基礎的 QuantileTransformer。在分配中，分位數不會因離群值的幅度而改變。
當資料近似常態分配（可用長條圖檢查）時，才使用 StandardScaler。對於其他分配，QuantileTransformer 會是更好的選擇。
你將使用已載入的 females 資料集進行練習。matplotlib.pyplot 已以慣用別名 plt 載入。
本練習屬於課程
Python 中的異常偵測
練習說明
- 建立一個將特徵轉換為常態分配的
QuantileTransformer()，並指派給qt。 - 對特徵陣列
X進行擬合與轉換，並保留欄位名稱。 - 繪製
palmlength欄位的長條圖。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
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()