Isolation Forest su serie temporali
Se vuoi sfruttare tutte le informazioni disponibili, puoi addestrare un rilevatore di outlier multivariato sull’intero insieme di dati. L’approccio multivariato ti permette anche di estrarre più caratteristiche dalle serie temporali per migliorare le prestazioni del modello.
Esercitati a creare nuove feature a partire da un DatetimeIndex e ad addestrare un rilevatore di outlier su di esse usando il dataset apple, già caricato con un DatetimeIndex.
Ricorda inoltre il parametro random_state, che può essere usato per generare risultati riproducibili.
Questo esercizio fa parte del corso
Rilevamento delle anomalie in Python
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Create three new features from the DatetimeIndex
apple['day_of_week'] = ____
apple['month'] = ____
apple['day_of_month'] = _____