Detecta anomalías en tu análisis de datos

En casi cualquier conjunto de datos hay valores extremos o anomalías, y es fundamental detectarlos y tratarlos antes de continuar con el análisis estadístico. Si no se corrigen, las anomalías pueden alterar fácilmente tus análisis y sesgar el rendimiento de los modelos de machine learning.

Aprende a utilizar estimadores como Isolation Forest y Local Outlier Factor.

En este curso, utilizarás Python para implementar diversos métodos de detección de anomalías. Podrás detectar valores extremos visualmente y utilizar técnicas estadísticas probadas, como la desviación absoluta mediana para conjuntos de datos univariantes. Para datos multivariantes, aprenderás a utilizar estimadores como Isolation Forest, k-Nearest-Neighbors y Local Outlier Factor. También aprenderás a combinar varios clasificadores de valores atípicos en un estimador final de bajo riesgo. Obtendrás una herramienta esencial para la ciencia de datos: la detección de anomalías con Python.

Amplía tu kit de herramientas estadísticas de Python

Una mejor detección de anomalías significa una mejor comprensión de tus datos y, en particular, un mejor análisis de las causas fundamentales y una mejor comunicación sobre el comportamiento del sistema. Añadir esta habilidad a tu repertorio actual de Python te ayudará con la limpieza de datos, la detección de fraudes y la identificación de perturbaciones en el sistema.

Parámetros más importantes de IForest

Detección de anomalías en Python

Ejercicio interactivo práctico