Riconoscere i tipi di anomalie

Quale delle seguenti è meglio descritta come un'anomalia collettiva?

Questo esercizio fa parte del corso

Introduzione all'Anomaly Detection in R

Visualizza corso

esercizio interattivo pratico

Trasforma la teoria in pratica con uno dei nostri esercizi interattivi

Inizia esercizio

Questo esercizio fa parte del corso

Introduzione all'Anomaly Detection in R

IntermediárioNível de habilidade

4.8+

26 reviews

Inizia il corso gratuitamente

In questo capitolo vedrai come i riepiloghi numerici e grafici possano essere usati per valutare in modo informale se i dati contengono punti insoliti. Userai una procedura statistica chiamata test di Grubbs per verificare se un punto è un outlier e conoscerai l'algoritmo Seasonal-Hybrid ESD, che può aiutare a individuare outlier quando i dati sono una serie temporale.

Exercise 1: Cosa intendiamo quando parliamo di anomalie?Exercise 2: Riconoscere i tipi di anomalie

Esercizio attuale

Exercise 3: Esplorare i dati sui nitrati del fiume Exercise 4: Mettere alla prova gli estremi con il test di Grubbs Exercise 5: Verifica visiva di normalità Exercise 6: Test di Grubbs Exercise 7: Caccia a più outlier con il test di Grubbs Exercise 8: Anomalie nelle serie temporali Exercise 9: Valutazione visiva della stagionalità Exercise 10: Algoritmo Seasonal Hybrid ESD Exercise 11: Interpretare l'output di Seasonal-Hybrid ESD Exercise 12: Seasonal-Hybrid ESD contro il test di Grubbs

In questo capitolo imparerai a calcolare la distanza dei k-nearest neighbors e il local outlier factor, utilizzati per costruire punteggi continui di anomalia per ciascun punto dati quando i dati hanno più caratteristiche. Capirai la differenza tra anomalie locali e globali e come i due algoritmi possano aiutare in ciascun caso.

Exercise 1: Punteggio della distanza k-nearest neighbors Exercise 2: Esplorare il vino Exercise 3: Matrice delle distanze kNN Exercise 4: Punteggio di distanza kNN Exercise 5: Visualizzare la distanza kNN Exercise 6: Standardizzare le feature Exercise 7: Aggiungere il punteggio kNN Exercise 8: Visualizzare il punteggio di distanza kNN Exercise 9: Fattore di anomalia locale Exercise 10: Calcolo del LOF Exercise 11: Visualizzazione LOF Exercise 12: LOF vs kNN

k-nearest neighbors distance e local outlier factor usano la distanza o la densità relativa dei vicini più prossimi per assegnare un punteggio a ciascun punto. In questo capitolo esplorerai un approccio alternativo basato su alberi chiamato isolation forest, un metodo rapido e robusto per rilevare anomalie che misura quanto facilmente i punti possano essere separati dividendo casualmente i dati in regioni via via più piccole.

Exercise 1: Alberi di isolamento Exercise 2: Esegui il fit e prevedi con un isolation tree Exercise 3: Interpretazione dei punteggi Exercise 4: Isolation forest Exercise 5: Adatta un isolation forest Exercise 6: Verifica della convergenza Exercise 7: Visualizzare l'isolation score Exercise 8: Una griglia di punti Exercise 9: Predizione su una griglia Exercise 10: Curve di anomalia

Ora hai conosciuto diversi algoritmi per il punteggio delle anomalie. In questo capitolo finale imparerai a confrontare le prestazioni di rilevamento degli algoritmi nei casi in cui siano disponibili anomalie etichettate. Imparerai a calcolare e interpretare le statistiche di precision e recall per un punteggio di anomalia e come adattare gli algoritmi per gestire dati con caratteristiche categoriche.

Exercise 1: Anomalie etichettate Exercise 2: Dati sulla tiroide Exercise 3: Visualizing thyroid disease Exercise 4: Punteggio di anomalia Exercise 5: Misurare le prestazioni Exercise 6: Punteggi binarizzati Exercise 7: Tabella a doppia entrata per punteggi binari Exercise 8: Precision e recall per la tiroide Exercise 9: Lavorare con le caratteristiche categoriche Exercise 10: Conversione da character a factor Exercise 11: Isolation forest con variabili categoriche Exercise 12: LOF con fattori Exercise 13: Riepilogo