Odhalte anomálie ve své analýze dat

Extrémní hodnoty nebo anomálie se vyskytují téměř v každém datovém souboru a je zásadní je odhalit a vypořádat se s nimi před dalším statistickým zkoumáním. Pokud se anomálie ponechají bez povšimnutí, mohou snadno narušit vaše analýzy a zkreslit výkon modelů strojového učení.

Naučte se používat odhadovače jako Isolation Forest a Local Outlier Factor

V tomto kurzu využijete Python k implementaci různých metod detekce anomálií. Extrémní hodnoty rozpoznáte vizuálně a u jednorozměrných datových sad použijete osvědčené statistické techniky, jako je mediánová absolutní odchylka. Pro vícerozměrná data se naučíte používat odhadovače jako Isolation Forest, k-Nearest-Neighbors a Local Outlier Factor. Také se naučíte, jak sloučit více klasifikátorů odlehlých hodnot do finálního odhadovače s nízkým rizikem. Odnesete si do výbavy zásadní nástroj datové vědy: detekci anomálií v Pythonu.

Rozšiřte svou statistickou výbavu v Pythonu

Lepší detekce anomálií znamená lepší porozumění vašim datům a zejména lepší analýzu hlavní příčiny a komunikaci o chování systému. Přidání této dovednosti do tvého stávajícího repertoáru Pythonu ti pomůže s čištěním dat, odhalováním podvodů a identifikací systémových poruch.

Nejdůležitější parametry IForest

Detekce anomálií v Pythonu

Interaktivní praktické cvičení