Sklearn中隐藏的实用功能有哪些？
- 内容介绍
- 文章标签
- 相关推荐
本文共计4794个文字，预计阅读时间需要20分钟。
1. `Covariance EllipticEnvelope`：通常，在我们的数据处理中存在异常值是很常见的，并且许多算法都可以处理离群值。而`EllipticalEnvelope`是`Sklearn`中直接内置的一个例子。该算法的优势在于：
1 .covariance.EllipticEnvelope通常，在我们的所处理的数据分布中有异常值是很常见的，并且许多算法都可以处理离群值，而 EllipticalEnvelope 就是 Sklearn 中直接内置的一个例子。该算法的优势在于，它在检测正态分布(高斯)特征中的异常点时表现得非常好:
import numpy as np from sklearn.covariance import EllipticEnvelope # 创建一个样本正态分布 X = np.random.normal(loc=5, scale=2, size=50).reshape(-1, 1) # 拟合估计量 ee = EllipticEnvelope(random_state=0) _ = ee.fit(X) # 测试 test = np.array([6, 8, 20, 4, 5, 6, 10, 13]).reshape(-1, 1) # Predict返回1作为内嵌值，返回-1作为异常值 >>> ee.predict(test) array([ 1, 1, -1, 1, 1, 1, -1, -1])
为了验证评估结果，我们生成了一个均值为5，标准差为2的正态分布。训练完成后，将一些随机数传递给它的预测方法。该方法返回-1表示测试中的异常值，即20、10、13。
本文共计4794个文字，预计阅读时间需要20分钟。
1. `Covariance EllipticEnvelope`：通常，在我们的数据处理中存在异常值是很常见的，并且许多算法都可以处理离群值。而`EllipticalEnvelope`是`Sklearn`中直接内置的一个例子。该算法的优势在于：
1 .covariance.EllipticEnvelope通常，在我们的所处理的数据分布中有异常值是很常见的，并且许多算法都可以处理离群值，而 EllipticalEnvelope 就是 Sklearn 中直接内置的一个例子。该算法的优势在于，它在检测正态分布(高斯)特征中的异常点时表现得非常好:
import numpy as np from sklearn.covariance import EllipticEnvelope # 创建一个样本正态分布 X = np.random.normal(loc=5, scale=2, size=50).reshape(-1, 1) # 拟合估计量 ee = EllipticEnvelope(random_state=0) _ = ee.fit(X) # 测试 test = np.array([6, 8, 20, 4, 5, 6, 10, 13]).reshape(-1, 1) # Predict返回1作为内嵌值，返回-1作为异常值 >>> ee.predict(test) array([ 1, 1, -1, 1, 1, 1, -1, -1])
为了验证评估结果，我们生成了一个均值为5，标准差为2的正态分布。训练完成后，将一些随机数传递给它的预测方法。该方法返回-1表示测试中的异常值，即20、10、13。