Algoritme Seasonal Hybrid ESD

Anda telah mengidentifikasi siklus musiman berulang pada data nitrat, dengan periode 12 bulan. Sekarang Anda siap menerapkan algoritme Seasonal-Hybrid ESD untuk mengetahui apakah ada anomali dalam data.

Latihan ini merupakan bagian dari kursus

Pengantar Deteksi Anomali di R

Lihat Kursus

Instruksi latihan

Gunakan fungsi AnomalyDetectionVec untuk menjalankan algoritme Hybrid-ESD pada konsentrasi nitrate.
Anda perlu menetapkan argumen masukan:
x: vektor nilai
period: periode dari pola berulang apa pun

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Run Seasonal-Hybrid ESD for nitrate concentrations
AnomalyDetectionVec(___, ___, direction = 'both', plot = T)

Edit dan Jalankan Kode

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

Latihan Saat Ini

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 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