Interpretasi skor

Data wine dengan skor anomali yang Anda buat pada latihan sebelumnya sudah dimuat.

Pernyataan mana berikut yang benar tentang wine berdasarkan skor anomali pada kolom tree_score?

Latihan ini merupakan bagian dari kursus

Pengantar Deteksi Anomali di R

Lihat Kursus

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Mulai latihan

Latihan ini merupakan bagian dari kursus

Pengantar Deteksi Anomali di R

SkillTag.level.intermediateSkillTag.label

4.8+

26 reviews

Mulai Kursus Gratis

Pada bab ini, Anda akan mempelajari bagaimana ringkasan numerik dan grafis dapat digunakan untuk menilai secara informal apakah data mengandung titik yang tidak biasa. Anda akan menggunakan prosedur statistik yang disebut uji Grubbs untuk memeriksa apakah suatu titik merupakan pencilan, dan mempelajari algoritme Seasonal-Hybrid ESD, yang dapat membantu mengidentifikasi pencilan ketika datanya berupa deret waktu.

Exercise 1: Apa yang dimaksud ketika kita membicarakan anomali?Exercise 2: Mengenali jenis-jenis anomali Exercise 3: Menjelajahi data nitrat sungai Exercise 4: Menguji nilai ekstrem dengan uji Grubbs Exercise 5: Pemeriksaan visual kenormalan Exercise 6: Uji Grubbs Exercise 7: Memburu beberapa pencilan dengan uji Grubbs Exercise 8: Anomali dalam deret waktu Exercise 9: Penilaian visual terhadap musiman Exercise 10: Algoritme Seasonal Hybrid ESD Exercise 11: Menafsirkan keluaran Seasonal-Hybrid ESD Exercise 12: Seasonal-Hybrid ESD versus Grubbs' test

Pada bab ini, Anda akan mempelajari cara menghitung jarak k-nearest neighbors dan local outlier factor, yang digunakan untuk membangun skor anomali kontinu bagi setiap titik data ketika data memiliki banyak fitur. Anda akan mempelajari perbedaan antara anomali lokal dan global serta bagaimana kedua algoritme dapat membantu dalam masing-masing kasus.

Exercise 1: skor jarak k-nearest neighbors Exercise 2: Mengeksplorasi wine Exercise 3: Matriks jarak kNN Exercise 4: Skor jarak kNN Exercise 5: Memvisualisasikan jarak kNN Exercise 6: Standardisasi fitur Exercise 7: Menambahkan skor kNN Exercise 8: Memvisualisasikan skor jarak kNN Exercise 9: Faktor pencilan lokal Exercise 10: Perhitungan LOF Exercise 11: Visualisasi LOF Exercise 12: LOF vs kNN

Jarak k-nearest neighbors dan local outlier factor menggunakan jarak atau kerapatan relatif dari tetangga terdekat untuk memberi skor pada setiap titik. Pada bab ini, Anda akan mengeksplorasi pendekatan alternatif berbasis pohon yang disebut isolation forest, yaitu metode cepat dan andal untuk mendeteksi anomali yang mengukur seberapa mudah titik-titik dapat dipisahkan dengan membagi data secara acak menjadi wilayah yang semakin kecil.

Exercise 1: Pohon isolasi Exercise 2: Melatih dan memprediksi dengan isolation tree Exercise 3: Interpretasi skor

Latihan Saat Ini

Exercise 4: Isolation forest Exercise 5: Melatih isolation forest Exercise 6: Memeriksa konvergensi Exercise 7: Memvisualisasikan skor isolasi Exercise 8: Sebuah kisi titik Exercise 9: Prediksi pada grid Exercise 10: Kontur anomali

Anda kini telah diperkenalkan pada beberapa algoritme untuk pemeringkatan anomali. Pada bab terakhir ini, Anda akan mempelajari cara membandingkan kinerja deteksi dari algoritme ketika anomali berlabel tersedia. Anda akan mempelajari cara menghitung dan menafsirkan statistik precision dan recall untuk sebuah skor anomali, serta bagaimana menyesuaikan algoritme agar dapat mengakomodasi data dengan fitur kategorikal.

Exercise 1: Anomali berlabel Exercise 2: Data tiroid Exercise 3: Memvisualisasikan penyakit tiroid Exercise 4: Skor anomali Exercise 5: Mengukur kinerja Exercise 6: Skor terbiner Exercise 7: Tabulasi silang skor biner Exercise 8: Presisi dan recall untuk tiroid Exercise 9: Bekerja dengan fitur kategorikal Exercise 10: Mengonversi character menjadi factor Exercise 11: Isolation forest dengan faktor Exercise 12: LOF dengan faktor Exercise 13: Rangkuman