تشخیص ناهنجاری در پایتون

شناسایی ناهنجاری‌ها در تحلیل داده شما

مقادیر شدید یا ناهنجاری‌ها تقریباً در هر مجموعه‌داده‌ای وجود دارند، و شناسایی و برخورد با آن‌ها قبل از ادامه بررسی آماری بسیار مهم است. هنگامی که بدون رسیدگی رها شوند، ناهنجاری‌ها به راحتی می‌توانند تحلیل‌های شما را مختل کنند و عملکرد مدل‌های یادگیری ماشین را منحرف سازند.

یادگیری استفاده از تخمین‌زن‌هایی مانند Isolation Forest و Local Outlier Factor

در این دوره، شما از پایتون برای پیاده‌سازی انواع روش‌های تشخیص ناهنجاری استفاده خواهید کرد. شما مقادیر شدید را به صورت بصری شناسایی خواهید کرد و از تکنیک‌های آماری آزمایش‌شده مانند انحراف مطلق میانه برای مجموعه‌داده تک‌متغیره استفاده خواهید نمود. برای داده چندمتغیره، شما یاد خواهید گرفت که چگونه از تخمین‌زن‌هایی مانند Isolation Forest ،k-Nearest-Neighbors و Local Outlier Factor استفاده کنید. همچنین یاد خواهید گرفت که چگونه چندین طبقه‌بند ناهنجاری را در یک تخمین‌زن نهایی کم‌ریسک ترکیب کنید. شما با یک ابزار ضروری علم داده در اختیار خود از این دوره خارج خواهید شد: تشخیص ناهنجاری با پایتون.

گسترش مجموعه ابزار آماری پایتون شما

تشخیص بهتر ناهنجاری به معنای درک بهتر از داده شما، و به ویژه، تحلیل ریشه علت بهتر و ارتباط مؤثرتر در مورد رفتار سیستم است. افزودن این مهارت به مجموعه موجود پایتون شما در پاکسازی داده‌ها، تشخیص تقلب و شناسایی اختلالات سیستم به شما کمک خواهد کرد.