Trova le anomalie nella tua analisi dei dati

In quasi tutti i set di dati ci sono valori estremi o anomalie, ed è super importante individuarli e gestirli prima di continuare con l'analisi statistica. Se non le tocchi, le anomalie possono facilmente rovinare le tue analisi e influenzare male le prestazioni dei modelli di machine learning.

Impara a usare stimatori come Isolation Forest e Local Outlier Factor

In questo corso userai Python per mettere in atto diversi metodi di rilevamento delle anomalie. Potrai individuare visivamente i valori estremi e utilizzare tecniche statistiche collaudate come la deviazione assoluta mediana per i set di dati univariati. Per i dati multivariati, imparerai a usare stimatori come Isolation Forest, k-Nearest-Neighbors e Local Outlier Factor. Imparerai anche come mettere insieme più classificatori di valori anomali in uno stimatore finale a basso rischio. Alla fine avrai imparato un trucco fondamentale per la scienza dei dati: come trovare le anomalie con Python.

Allunga il tuo kit di strumenti statistici Python

Un rilevamento delle anomalie più efficace significa capire meglio i tuoi dati e, soprattutto, fare un'analisi più accurata delle cause e comunicare meglio il comportamento del sistema. Aggiungere questa competenza al tuo bagaglio di conoscenze Python ti aiuterà a pulire i dati, individuare le frodi e riconoscere i problemi del sistema.

Parametri più importanti di IForest

Rilevamento delle anomalie in Python

esercizio interattivo pratico