Outlier-robust feature-skalning

Avvikelsedetektering i Python

Bekhruz (Bex) Tuychiev

Kaggle Master, Data Science Content Creator

Euklidiskt avstånd

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

Formeln för att beräkna euklidiskt avstånd och en illustration av konceptet.

Euklidiskt avstånd i SciPy

from scipy.spatial.distance import \
euclidean

dist_AB = euclidean(A, B)
dist_AB

91.35644476444998

Formeln för att beräkna euklidiskt avstånd och en illustration av konceptet.

Standardisering

Medelvärdet subtraheras och divideras med standardavvikelsen
Resultat: medelvärde noll och standardavvikelse 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)

Transformering

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)

Bevara kolumnnamn

qt = QuantileTransformer()

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

X.head()

De fem första raderna i en transformerad version av Ansur Males kroppsmätningsdatamängd.

Likformigt histogram

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

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

plt.show()

Ett histogram över kolumnen fotlängd som visar en likformig fördelning

Normalfördelat histogram

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()

Ett histogram över kolumnen fotlängd som visar en nästan normalfördelad distribution

Nu kör vi en övning!

Avvikelsedetektering i Python