Identifiez les anomalies dans votre analyse de données

Des valeurs extrêmes ou des anomalies sont présentes dans presque tous les ensembles de données, et il est essentiel de les détecter et de les traiter avant de poursuivre l'exploration statistique. Si elles ne sont pas corrigées, les anomalies peuvent facilement perturber vos analyses et fausser les performances des modèles d'apprentissage automatique.

Apprenez à utiliser des estimateurs tels que la forêt d'isolation et le facteur d'aberration local.

Dans ce cours, vous utiliserez Python pour mettre en œuvre diverses méthodes de détection des anomalies. Vous identifierez visuellement les valeurs extrêmes et utiliserez des techniques statistiques éprouvées telles que l'écart absolu médian pour les ensembles de données univariés. Pour les données multivariées, vous apprendrez à utiliser des estimateurs tels que Isolation Forest, k-Nearest-Neighbors et Local Outlier Factor. Vous apprendrez également comment regrouper plusieurs classificateurs d'aberrations en un estimateur final à faible risque. Vous repartirez avec un outil essentiel de science des données à votre actif : la détection d'anomalies avec Python.

Développez votre boîte à outils statistiques Python

Une meilleure détection des anomalies permet une meilleure compréhension de vos données et, en particulier, une meilleure analyse des causes profondes et une meilleure communication concernant le comportement du système. L'ajout de cette compétence à votre répertoire Python existant vous aidera dans le nettoyage des données, la détection des fraudes et l'identification des perturbations du système.

Paramètres les plus importants d’IForest

Exercice interactif pratique