Finde Fehler in deiner Datenanalyse

In fast jedem Datensatz gibt's Extremwerte oder Anomalien, und es ist wichtig, die zu erkennen und zu bearbeiten, bevor man mit der statistischen Untersuchung weitermacht. Wenn man Anomalien einfach ignoriert, können sie deine Analysen ganz leicht durcheinanderbringen und die Leistung von Machine-Learning-Modellen verzerren.

Lerne, Schätzfunktionen wie Isolation Forest und Local Outlier Factor zu nutzen

In diesem Kurs lernst du, Python zu nutzen, um verschiedene Methoden zur Erkennung von Anomalien umzusetzen. Du erkennst Extremwerte auf einen Blick und nutzt bewährte statistische Verfahren wie die mittlere absolute Abweichung für univariate Datensätze. Für multivariate Daten lernst du, Schätzer wie Isolation Forest, k-Nearest-Neighbors und Local Outlier Factor zu benutzen. Du lernst auch, wie du mehrere Ausreißerklassifikatoren zu einem risikoarmen endgültigen Schätzer zusammenfassen kannst. Du wirst mit einem wichtigen Data-Science-Tool ausgestattet sein: Anomalieerkennung mit Python.

Erweitere dein Python-Statistik-Toolkit

Bessere Erkennung von Anomalien heißt, dass du deine Daten besser verstehst und vor allem die Ursachen besser analysieren und über das Systemverhalten besser reden kannst. Wenn du diese Fähigkeit zu deinem Python-Repertoire hinzufügst, kannst du Daten besser bereinigen, Betrugsfälle erkennen und Systemstörungen identifizieren.

Die wichtigsten IForest-Parameter

Anomalieerkennung mit Python

Interaktive Übung