Testowanie wartości ekstremalnych testem Grubbs'a

Create Your Free Account

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

To ćwiczenie jest częścią kursu

Wprowadzenie do wykrywania anomalii w R

SkillTag.level.intermediateSkillTag.label

4.8+

W tym rozdziale dowiesz się, jak podsumowania numeryczne i graficzne mogą służyć do nieformalnej oceny tego, czy dane zawierają nietypowe punkty. Użyjesz procedury statystycznej zwanej testem Grubbsa, aby sprawdzić, czy dany punkt jest wartością odstającą, oraz poznasz algorytm Seasonal-Hybrid ESD, który pomaga identyfikować wartości odstające w danych szeregów czasowych.

Exercise 1: Co rozumiemy przez anomalie?Exercise 2: Rozpoznawanie typów anomalii Exercise 3: Eksploracja danych o azotanach w rzece Exercise 4: Testowanie wartości ekstremalnych testem Grubbs'a

Bieżące ćwiczenie

Exercise 5: Wizualna ocena normalności Exercise 6: Test Grubbsa Exercise 7: Wykrywanie wielu wartości odstających testem Grubbs'a Exercise 8: Anomalie w szeregach czasowych Exercise 9: Wizualna ocena sezonowości Exercise 10: Algorytm Seasonal Hybrid ESD Exercise 11: Interpretacja wyników algorytmu Seasonal-Hybrid ESD Exercise 12: Seasonal-Hybrid ESD a test Grubbsa

W tym rozdziale nauczysz się obliczać odległość k-najbliższych sąsiadów oraz lokalny współczynnik wartości odstającej. Służą one do tworzenia ciągłych ocen anomalii dla każdego punktu danych w przypadku danych wielocechowych. Poznasz różnicę między anomaliami lokalnymi a globalnymi oraz dowiesz się, jak oba algorytmy sprawdzają się w każdym z tych przypadków.

Exercise 1: Ocena odległości k-najbliższych sąsiadów Exercise 2: Odkrywanie win Exercise 3: Macierz odległości kNN Exercise 4: Wynik odległości kNN Exercise 5: Wizualizacja odległości kNN Exercise 6: Standaryzacja cech Exercise 7: Dodawanie wyniku kNN Exercise 8: Wizualizacja wyniku odległości kNN Exercise 9: Lokalny współczynnik odstającości (LOF)Exercise 10: Obliczanie LOF Exercise 11: Wizualizacja LOF Exercise 12: LOF kontra kNN

Odległość k-najbliższych sąsiadów i lokalny współczynnik wartości odstającej wykorzystują odległość lub względną gęstość najbliższych sąsiadów do oceny każdego punktu. W tym rozdziale poznasz alternatywne podejście oparte na drzewach – las izolacyjny. To szybka i solidna metoda wykrywania anomalii, która mierzy, jak łatwo można odizolować punkty poprzez losowe dzielenie danych na coraz mniejsze obszary.

Exercise 1: Drzewa izolacyjne Exercise 2: Dopasowanie i prognozowanie z użyciem izolowanego drzewa Exercise 3: Interpretacja wyników Exercise 4: Isolation forest Exercise 5: Dopasowanie lasu izolacyjnego Exercise 6: Sprawdzanie zbieżności Exercise 7: Wizualizacja wyniku izolacji Exercise 8: Siatka punktów Exercise 9: Predykcja na siatce punktów Exercise 10: Kontury anomalii

Poznałeś już kilka różnych algorytmów oceny anomalii. W tym ostatnim rozdziale nauczysz się porównywać wydajność wykrywania poszczególnych algorytmów w sytuacjach, gdy dostępne są oznaczone anomalie. Dowiesz się, jak obliczać i interpretować statystyki precyzji i czułości dla oceny anomalii, oraz jak dostosować algorytmy, aby obsługiwały dane z cechami kategorycznymi.

Exercise 1: Oznaczone anomalie Exercise 2: Dane o tarczycy Exercise 3: Wizualizacja chorób tarczycy Exercise 4: Wynik anomalii Exercise 5: Mierzenie skuteczności Exercise 6: Binaryzacja wyników Exercise 7: Tworzenie tabeli krzyżowej dla wyników binarnych Exercise 8: Precyzja i czułość dla danych tarczycowych Exercise 9: Praca z cechami kategorycznymi Exercise 10: Konwersja typu character na factor Exercise 11: Las izolacji z cechami kategorycznymi Exercise 12: LOF z czynnikami Exercise 13: Podsumowanie