Seasonal-Hybrid ESD ve Grubbs testi

river nitrat verilerinde Grubbs testini kullanırken yalnızca 156. satırın anormal bulunduğunu, Seasonal-Hybrid ESD'nin ise ek olarak 2 yüksek değerli anormallik belirlediğini hatırla. Aşağıdakilerden hangisi iki yaklaşım arasındaki farkı en iyi açıklar?

Bu egzersiz, kursun bir parçasıdır

R ile Anomali Tespitine Giriş

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

R ile Anomali Tespitine Giriş

IntermediárioNível de habilidade

4.8+

26 reviews

Kursa Ücretsiz Başla

Bu bölümde, sayısal ve görsel özetlerin veride olağan dışı noktalar olup olmadığını gayriresmî olarak değerlendirmek için nasıl kullanılabileceğini öğreneceksin. Bir noktanın aykırı değer olup olmadığını kontrol etmek için Grubbs testi adı verilen istatistiksel bir yöntemi kullanacak ve veriler zaman serisi olduğunda aykırı değerleri belirlemeye yardımcı olabilen Mevsimsel-Hibrit ESD algoritmasını öğreneceksin.

Exercise 1: Anomalilerden bahsederken neyi kastediyoruz?Exercise 2: Anomali türlerini tanıma Exercise 3: Nehir nitrat verilerini keşfetme Exercise 4: Aşırılıkları Grubbs testiyle sınamak Exercise 5: Normalliğin görsel kontrolü Exercise 6: Grubbs testi Exercise 7: Grubbs testiyle birden fazla aykırı değeri avlama Exercise 8: Zaman serilerinde anormallikler Exercise 9: Mevsimselliğin görsel değerlendirmesi Exercise 10: Mevsimsel Hibrit ESD algoritması Exercise 11: Seasonal-Hybrid ESD çıktısını yorumlama Exercise 12: Seasonal-Hybrid ESD ve Grubbs testi

Geçerli egzersiz

Bu bölümde, veride birden çok özellik olduğunda her veri noktası için sürekli anomali puanları oluşturmakta kullanılan k-en yakın komşu uzaklığını ve local outlier factor’ü nasıl hesaplayacağını öğreneceksin. Ayrıca yerel ve küresel anomaliler arasındaki farkı ve her iki durumda da bu iki algoritmanın nasıl yardımcı olabileceğini öğreneceksin.

Exercise 1: k-en yakın komşu uzaklık skoru Exercise 2: Şarabı keşfetme Exercise 3: kNN uzaklık matrisi Exercise 4: kNN mesafe skoru Exercise 5: kNN mesafesini görselleştirme Exercise 6: Özellikleri standartlaştırma Exercise 7: kNN skorunu ekleme Exercise 8: kNN uzaklık skorunu görselleştirme Exercise 9: Yerel aykırılık faktörü Exercise 10: LOF hesaplama Exercise 11: LOF görselleştirmesi Exercise 12: LOF ve kNN

k-en yakın komşu uzaklığı ve local outlier factor, her noktayı puanlamak için en yakın komşuların uzaklığını veya göreli yoğunluğunu kullanır. Bu bölümde, isolation forest olarak adlandırılan alternatif bir ağaç tabanlı yaklaşımı inceleyeceksin; bu, veriyi giderek daha küçük bölgelere rastgele bölerek noktaların ne kadar kolay ayrılabildiğini ölçen, hızlı ve sağlam bir anomali tespit yöntemidir.

Exercise 1: İzolasyon ağaçları Exercise 2: Bir isolation tree ile fit ve predict Exercise 3: Skor yorumlama Exercise 4: Isolation forest Exercise 5: Bir isolation forest modeli kur Exercise 6: Yakınsamayı kontrol etme Exercise 7: Isolation skorunu görselleştirme Exercise 8: Bir nokta ızgarası Exercise 9: Izgarada tahmin Exercise 10: Anomali izoçizgileri

Artık anomali puanlama için birkaç farklı algoritmayla tanıştın. Bu son bölümde, etiketli anomalilerin mevcut olduğu durumlarda algoritmaların tespit performansını karşılaştırmayı öğreneceksin. Bir anomali puanı için precision ve recall istatistiklerini nasıl hesaplayıp yorumlayacağını ve algoritmaları kategorik özellik içeren verileri de kapsayacak şekilde nasıl uyarlayacağını öğreneceksin.

Exercise 1: Etiketli aykırılıklar Exercise 2: Tiroid verileri Exercise 3: Tiroid hastalığını görselleştirme Exercise 4: Anomali skoru Exercise 5: Performansı ölçme Exercise 6: İkili puanlar Exercise 7: İkili puanları çapraz tabloyla göster Exercise 8: Tiroid için precision ve recall Exercise 9: Kategorik özelliklerle çalışma Exercise 10: Character'dan factor'a dönüştürme Exercise 11: Faktörlerle isolation forest Exercise 12: Faktörlerle LOF Exercise 13: Kapanış