Identifică anomaliile în analiza datelor tale

Valorile extreme sau anomaliile sunt prezente în aproape orice set de date, iar este esențial să le detectezi și să le gestionezi înainte de a continua explorarea statistică. Lăsate netratate, anomaliile pot perturba cu ușurință analizele tale și pot denatura performanța modelelor de machine learning.

Învață să folosești estimatori precum Isolation Forest și Local Outlier Factor

În acest curs, vei folosi Python pentru a implementa o varietate de metode de detectare a anomaliilor. Vei identifica vizual valorile extreme și vei folosi tehnici statistice testate, precum Abaterea Absolută Mediană, pentru seturi de date univariate. Pentru date multivariate, vei învăța să folosești estimatori precum Isolation Forest, k-Nearest-Neighbors și Local Outlier Factor. Vei învăța, de asemenea, cum să combini mai mulți clasificatori de outlieri într-un estimator final cu risc redus. Vei pleca cu un instrument esențial de data science în arsenalul tău: detectarea anomaliilor cu Python.

Extinde-ți setul de instrumente statistice Python

O detectare mai bună a anomaliilor înseamnă o înțelegere mai bună a datelor tale și, în special, o analiză mai bună a cauzei principale și o comunicare mai clară despre comportamentul sistemului. Adăugarea acestei abilități la repertoriul tău existent de Python te va ajuta cu curățarea datelor, detectarea fraudei și identificarea perturbărilor sistemului.

Cei mai importanți parametri ai IForest

Detecția anomaliilor în Python

Exercițiu interactiv practic