Analiz 2: Anormallik Aykırı Değer Analizi

Aykırı değerler, verilerin çeyreğine göre belirleyelim.

data_b = df[df["diagnosis"] == "B"]  # iyi huylu tümör
data_m = df[df["diagnosis"] == "M"]

desc = data_b.radius_mean.describe()
 q1 = desc[4] 
q3 = desc[6]

iqr = q3 - q1  

lower = q1 - 1.5*iqr
 upper = q3 + 1.5*iqr  

# Normal alan 
print("Normal alan: ({0}, {1})".format(round(lower,4), round(upper,4))) Normal alan: (7.645, 16.805)

# Outlier   
print("Outliers:", data_b[(data_b.radius_mean < lower) | (data_b.radius_mean > upper)].radius_mean.values) 
Outliers: [ 6.981 16.84  17.85 ]

Analiz 3: Anormal kutu grafiği konumlandırma

Verilerdeki aykırı değerler kutu grafiğinden sezgisel olarak görülebilir

# Plotly dayalı

 fig = px.box(df,              
         x="diagnosis",             
         y="radius_mean",             
        color="diagnosis")  

fig.show()

# seaborn   dayalı 
melted_df = pd.melt(df,                     
          id_vars = "diagnosis",                    
          value_vars = ['radius_mean', 'texture_mean'])  


plt.figure(figsize=(15,10))  


sns.boxplot(x="variable",            
         y="value",             
         hue="diagnosis",            
         data=melted_df           
         )  


plt.show()

Yarın ise 3.Dersimizle devam edeceğiz