Machine Learning avec Scikit-Learn

256

Chapitre 9. Techniques d’apprentissage non supervisé

Les modèles de mélange gaussien essaient d’ajuster toutes les données, y

compris les valeurs aberrantes, donc s’il y en a trop, le modèle aura une

vision biaisée de la « normalité » et certaines valeurs aberrantes peuvent être

par erreur considérées comme normales. Si cela se produit, vous pouvez

tenter une première fois d’ajuster le modèle, puis l’utiliser pour détecter et

supprimer les valeurs aberrantes les plus extrêmes, puis ajuster à nouveau

le modèle sur le jeu de données nettoyées. Une autre approche consiste à

utiliser des méthodes robustes d’estimation de la covariance (voir la ...