Udacity机器学习入门——异常值outlier

本文介绍了异常值检测的重要性和处理方法,包括在欺诈侦测中异常值的作用。讨论了异常值的来源,如传感器故障、数据输入错误等。通过删除算法,识别并移除训练集中10%的最大误差点,从而改善模型性能。此外,还通过实例展示了如何在安然财务数据中检测和处理异常值。
摘要由CSDN通过智能技术生成

什么可能导致异常值:根据具体事件选择忽略还是重视(欺诈侦测)

传感器故障、(忽略)

数据输入错误、(忽略)

外部数据×

反常事件(通常需要重视)


选择异常值

异常值检测-删除算法

  1. 训练

  2. 异常值检测——找出训练集中访问最多的点,去除这些点(一般约10%的异常数据

  3. 再训练 

(可能需要重复2、3步骤多次)

删除前:


删除后



异常值删除策略小结:这里要注意有的地方是要保留异常值,去除正常的数据的(异常检测、欺诈检测)。

1训练

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值