Poniendo a prueba los extremos con la prueba de Grubbs

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Este ejercicio forma parte del curso

Introducción a la detección de anomalías en R

IntermedioNivel de habilidad

4.8+

22 reviews

Comienza el curso gratis

En este capítulo, aprenderás cómo los resúmenes numéricos y gráficos pueden usarse para evaluar de forma informal si los datos contienen puntos inusuales. Utilizarás un procedimiento estadístico llamado prueba de Grubbs para comprobar si un punto es un valor atípico y conocerás el algoritmo Seasonal-Hybrid ESD, que puede ayudar a identificar valores atípicos cuando los datos forman una serie temporal.

Exercise 1: ¿A qué nos referimos cuando hablamos de anomalías?Exercise 2: Reconocer tipos de anomalías Exercise 3: Explorar los datos de nitrato del río Exercise 4: Poniendo a prueba los extremos con la prueba de Grubbs

Ejercicio actual

Exercise 5: Comprobación visual de normalidad Exercise 6: Prueba de Grubbs Exercise 7: Buscar múltiples valores atípicos con la prueba de Grubbs Exercise 8: Anomalías en series temporales Exercise 9: Evaluación visual de la estacionalidad Exercise 10: Algoritmo Seasonal Hybrid ESD Exercise 11: Interpretar la salida de Seasonal-Hybrid ESD Exercise 12: Seasonal-Hybrid ESD frente a la prueba de Grubbs

En este capítulo, aprenderás a calcular la distancia de los k vecinos más cercanos y el local outlier factor, que se utilizan para construir puntuaciones de anomalía continuas para cada punto de datos cuando los datos tienen múltiples características. Aprenderás la diferencia entre anomalías locales y globales y cómo pueden ayudar ambos algoritmos en cada caso.

Exercise 1: Puntuación de distancia de los k vecinos más cercanos Exercise 2: Explorando el vino Exercise 3: Matriz de distancias kNN Exercise 4: Puntuación de distancia kNN Exercise 5: Visualizar la distancia kNN Exercise 6: Estandarizar variables Exercise 7: Añadir la puntuación kNN Exercise 8: Visualizar la puntuación de distancia kNN Exercise 9: Factor de anomalía local Exercise 10: Cálculo de LOF Exercise 11: Visualización de LOF Exercise 12: LOF vs kNN

La distancia de los k vecinos más cercanos y el local outlier factor usan la distancia o la densidad relativa de los vecinos más cercanos para puntuar cada punto. En este capítulo, explorarás un enfoque alternativo basado en árboles llamado isolation forest, que es un método rápido y robusto para detectar anomalías y que mide lo fácilmente que se pueden separar los puntos dividiendo aleatoriamente los datos en regiones cada vez más pequeñas.

Exercise 1: Árboles de aislamiento Exercise 2: Ajusta y predice con un árbol de aislamiento Exercise 3: Interpretación de la puntuación Exercise 4: Isolation forest Exercise 5: Ajusta un isolation forest Exercise 6: Comprobando la convergencia Exercise 7: Visualizar la puntuación de aislamiento Exercise 8: Una cuadrícula de puntos Exercise 9: Predicción sobre una cuadrícula Exercise 10: Contornos de anomalía

Ya has conocido varios algoritmos para puntuar anomalías. En este capítulo final, aprenderás a comparar el rendimiento de detección de los algoritmos en casos donde hay anomalías etiquetadas. Aprenderás a calcular e interpretar las estadísticas de precisión y exhaustividad (recall) para una puntuación de anomalía, y cómo adaptar los algoritmos para que puedan manejar datos con características categóricas.

Exercise 1: Anomalías etiquetadas Exercise 2: Datos de tiroides Exercise 3: Visualizando la enfermedad tiroidea Exercise 4: Puntuación de anomalía Exercise 5: Medir el rendimiento Exercise 6: Puntuaciones binarizadas Exercise 7: Tabulación cruzada de puntuaciones binarias Exercise 8: Precisión y recall en tiroides Exercise 9: Trabajar con variables categóricas Exercise 10: Convertir caracteres en factores Exercise 11: Isolation forest con factores Exercise 12: LOF con factores Exercise 13: Cierre