Isolation Forest sur des séries temporelles
Si vous souhaitez exploiter toutes les informations disponibles, vous pouvez ajuster un détecteur de valeurs aberrantes multivarié sur l’ensemble du jeu de données. L’approche multivariée vous permet également d’extraire davantage de caractéristiques à partir des séries temporelles afin d’améliorer les performances du modèle.
Entraînez-vous à créer de nouvelles caractéristiques à partir d’un DatetimeIndex et à y ajuster un détecteur de valeurs aberrantes en utilisant le jeu de données apple, déjà chargé avec un DatetimeIndex.
Rappelez-vous également le paramètre random_state, qui permet de générer des résultats reproductibles.
Cet exercice fait partie du cours
Détection d’anomalies en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Create three new features from the DatetimeIndex
apple['day_of_week'] = ____
apple['month'] = ____
apple['day_of_month'] = _____