KNN 与异常概率
由于使用 contamination 时无法完全信任输出结果，我们来用异常概率再次核对。异常概率通常更可靠。
数据集已加载为 females，并且已导入 KNN 估计器。
本练习是课程的一部分
Python 中的异常检测
练习说明
- 使用 20 个邻居实例化
KNN。 - 计算异常概率。
- 创建一个布尔掩码：当异常概率超过 55% 时返回真值。
- 使用
is_outlier从females中筛选出异常点。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Instantiate a KNN with 20 neighbors and fit to `females`
knn = ____
knn.____
# Calculate probabilities
probs = ____
# Create a boolean mask
is_outlier = ____
# Use the boolean mask to filter the outliers
outliers = ____
print(len(outliers))