Виявляйте аномалії у вашому аналізі даних

Екстремальні значення або аномалії присутні майже в будь-якому наборі даних, і критично важливо виявити їх та обробити перед продовженням статистичного дослідження. Якщо їх не усунути, аномалії можуть легко порушити ваші аналізи та спотворити ефективність моделей машинного навчання.

Навчіться використовувати оцінювачі, як-от Isolation Forest і Local Outlier Factor

У цьому курсі ви використовуватимете Python для реалізації різноманітних методів виявлення аномалій. Ви візуально помітите екстремальні значення та використовуватимете перевірені статистичні методи, як-от Median Absolute Deviation, для одновимірних наборів даних. Для багатовимірних даних ви навчитеся використовувати такі оцінювачі, як Isolation Forest, k-Nearest-Neighbors і Local Outlier Factor. Ви також дізнаєтеся, як об’єднувати кілька класифікаторів викидів у фінальний оцінювач із низьким ризиком. Ви отримаєте в свій арсенал важливий інструмент data science: виявлення аномалій за допомогою Python.

Розширте свій набір статистичних інструментів Python

Краще виявлення аномалій означає краще розуміння ваших даних, а особливо — кращий аналіз першопричин і комунікацію щодо поведінки системи. Додавання цієї навички до вашого наявного арсеналу Python допоможе вам у очищенні даних, виявленні шахрайства та ідентифікації системних збоїв.

Використання z-оцінок для виявлення аномалій

Create Your Free Account