Upptäck avvikelser i din dataanalys

Extrema värden eller avvikelser finns i nästan alla dataset, och det är avgörande att upptäcka och hantera dem innan den statistiska utforskningen fortsätter. När de lämnas obehandlade kan avvikelser lätt störa dina analyser och snedvrida prestandan hos maskininlärningsmodeller.

Lär dig använda estimatorer som Isolation Forest och Local Outlier Factor

I den här kursen kommer du att använda Python för att implementera en rad olika metoder för avvikelsedetektering. Du kommer att upptäcka extrema värden visuellt och använda beprövade statistiska tekniker som Median Absolute Deviation för univariata datamängder. För multivariat data lär du dig att använda estimatorer som Isolation Forest, k-Nearest-Neighbors och Local Outlier Factor. Du kommer också att lära dig hur du kan kombinera flera outlier-klassificerare till en slutlig estimator med låg risk. Du kommer att gå därifrån med ett viktigt verktyg för datavetenskap i din verktygslåda: avvikelsedetektering med Python.

Utöka din statistiska Python-verktygslåda

Bättre avvikelsedetektering ger bättre förståelse för dina data och framför allt bättre rotorsaksanalys och kommunikation kring systemets beteende. Att lägga till denna färdighet i din befintliga Python-verktygslåda hjälper dig med datarensning, bedrägeridetektering och att identifiera systemstörningar.

Viktigaste parametrarna i IForest

Avvikelsedetektering i Python

Interaktiv övning med praktiskt arbete