Scalarea robustă la valori extreme

Detecția anomaliilor în Python

Bekhruz (Bex) Tuychiev

Kaggle Master, Data Science Content Creator

Distanța euclidiană

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

Formula distanței euclidiene și o ilustrație vizuală.

Distanța euclidiană în SciPy

from scipy.spatial.distance import \
euclidean

dist_AB = euclidean(A, B)
dist_AB

91.35644476444998

Formula distanței euclidiene și o ilustrație vizuală.

Standardizare

Se scade media și se împarte la abaterea standard
Rezultat: medie zero și abatere standard 1

StandardScaler

from sklearn.preprocessing import StandardScaler

ss = StandardScaler()


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


# Fit
ss.fit(X)

Transformare

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)

Păstrarea numelor de coloane

qt = QuantileTransformer()

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

X.head()

Primele cinci rânduri ale setului de date ANSUR Males după transformare.

Histogramă uniformă

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

plt.xlabel("Foot length")
plt.title("Histogram of foot lengths")

plt.show()

Histogramă a coloanei lungimii piciorului cu distribuție uniformă

Histogramă normală

qt = QuantileTransformer(
  output_distribution='normal')

# Rebuild the overridden feature array
X = males.drop("weightkg", axis=1)
X.loc[:, :] = qt.fit_transform(X)

plt.hist(X['footlength'], color='r')
plt.xlabel("Foot length")
plt.title("Histogram of foot lengths")

plt.show()

Histogramă a coloanei lungimii piciorului cu distribuție aproape normală

Să exersăm!

Detecția anomaliilor în Python