Scalatura robusta agli outlier

Rilevamento delle anomalie in Python

Bekhruz (Bex) Tuychiev

Kaggle Master, Data Science Content Creator

Distanza euclidea

A = np.array([9, 1, 6])
B = np.array([25, 44, 85])


diffs = (B - A) ** 2

dist_AB = np.sqrt(np.sum(diffs))

print(dist_AB)

91.35644476444998

La formula per calcolare la distanza euclidea e un grafico illustrativo.

Euclidea in SciPy

from scipy.spatial.distance import \
euclidean

dist_AB = euclidean(A, B)
dist_AB

91.35644476444998

La formula per calcolare la distanza euclidea e un grafico illustrativo.

Standardizzazione

Si sottrae la media e si divide per la DEV.ST
Risultato: media zero e DEV.ST 1

StandardScaler

from sklearn.preprocessing import StandardScaler

ss = StandardScaler()


# Estrai feature e target
X = males.drop("weightkg", axis=1) 
y = males[['weightkg']]


# Fit
ss.fit(X)

Trasformazione

X_transformed = ss.transform(X)

X_transformed[:5]

array([[-1.05174523],
       [-0.29289108],
       [ 1.3446363 ],
       [-1.21654894],
       [0.056451235]])

fit_transform

ss = StandardScaler()

X_transformed = ss.fit_transform(X)

QuantileTransformer

from sklearn.preprocessing import QuantileTransformer


# Init
qt = QuantileTransformer()
X = males.drop("weightkg", axis=1) 
y = males[['weightkg']]


X_transformed = qt.fit_transform(X)

X_transformed.shape

(4082, 94)

Mantenere i nomi delle colonne

qt = QuantileTransformer()

X.loc[:, :] = qt.fit_transform(X)

X.head()

Le prime cinque righe di una versione trasformata del dataset Ansur Males sulle misure corporee.

Istogramma uniforme

plt.hist(X['footlength'], color='red')

plt.xlabel("Lunghezza del piede")
plt.title("Istogramma delle lunghezze del piede")

plt.show()

Un istogramma della colonna foot length che mostra una distribuzione uniforme

Istogramma normale

qt = QuantileTransformer(
  output_distribution='normal')

# Ricrea la matrice delle feature sovrascritta
X = males.drop("weightkg", axis=1)
X.loc[:, :] = qt.fit_transform(X)

plt.hist(X['footlength'], color='r')
plt.xlabel("Lunghezza del piede")
plt.title("Istogramma delle lunghezze del piede")

plt.show()

Un istogramma della colonna foot length che mostra una distribuzione quasi normale

Passiamo alla pratica!

Rilevamento delle anomalie in Python