半监督滑雪板学习

Question

我有一个大型的多维无标签汽车数据集(价格，里程，马力，.)我想找出离群点。我决定使用sklearn来构建决策边界，并且我的方法有两个主要问题：

• 我的数据集包含了很多缺失的值。是否有一种方法使svm将缺失功能的数据分类为inlier，如果缺失功能的任何可能值都是inlier？
• 现在，我想添加一个手动调节异常值的反馈循环。人工调整数据可以提高支持向量机的分类。我读过半监督学习的LabelSpreading模型。当人工验证了足够数量的记录时，将OneClassSVM的分类输出输入到LabelSpreading模型并重新训练该模型是否可行？

Answer 1

第一个问题。您可以使用sklearn.preprocessing.imputer按平均值或中值计算缺失的值：

http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.Imputer.html

您可以添加一些布尔功能，如果其他一些功能具有NaNs，则可以重新编码。因此，如果您有功能X_1，X_2，则添加布尔功能

X_1_was_NaN和X_2_was_NaN

如果是X_1==NaN或X_2==NaN，则为1。如果X是您的原始pd.DataFrame，您可以通过

 X = pd.DataFrame()
 # Create your features here 

 # Get the locations of the NaNs
 X_2 = 1.0 * X.isnull()

 # Rename columns
 X_2.rename(columns=lambda x: str(x)+"_has_NaN", inplace=True)

 # Paste them together
 X = pd.concat([X, X_2], axis=1)