Identifique anomalias na sua análise de dados

Valores extremos ou anomalias estão presentes em quase todos os conjuntos de dados, e é fundamental detectá-los e lidar com eles antes de continuar a exploração estatística. Quando não são corrigidas, as anomalias podem facilmente atrapalhar suas análises e distorcer o desempenho dos modelos de machine learning.

Aprenda a usar estimadores como Isolation Forest e Local Outlier Factor

Neste curso, você vai usar Python para implementar vários métodos de detecção de anomalias. Você vai identificar valores extremos visualmente e usar técnicas estatísticas testadas, como o desvio absoluto mediano para conjuntos de dados univariados. Para dados multivariados, você vai aprender a usar estimadores como Isolation Forest, k-Nearest-Neighbors e Local Outlier Factor. Você também vai aprender a juntar vários classificadores de outliers em um estimador final de baixo risco. Você vai sair daqui com uma ferramenta essencial de ciência de dados na manga: detecção de anomalias com Python.

Expanda seu kit de ferramentas estatísticas Python

Uma melhor detecção de anomalias significa uma melhor compreensão dos seus dados e, principalmente, uma melhor análise das causas e comunicação sobre o comportamento do sistema. Adicionar essa habilidade ao seu repertório Python vai te ajudar na limpeza de dados, detecção de fraudes e identificação de distúrbios no sistema.

Parâmetros mais importantes do IForest

Detecção de Anomalias em Python

Exercício interativo prático