2.9
Ανίχνευση ανωμαλιών
Σύνοψη
- Αυτό το κεφάλαιο καλύπτει βασικές μεθόδους μείωσης διαστάσεων για τη συμπίεση δεδομένων υψηλών διαστάσεων διατηρώντας τη χρήσιμη δομή.
- Θα συγκρίνετε γραμμικές μεθόδους (PCA, SVD, LDA) με μη γραμμικές μεθόδους (t-SNE, Isomap, Kernel PCA).
- Μετά από αυτό το κεφάλαιο, θα πρέπει να μπορείτε να επιλέγετε μεθόδους για οπτικοποίηση, αποθορυβοποίηση και μοντελοποίηση.
Εισαγωγή #
Η μείωση διαστάσεων αφορά τη διατήρηση της σωστής γεωμετρίας για τον στόχο σας: παγκόσμια διακύμανση για συμπίεση, διαχωρισμός κλάσεων για εποπτευόμενη προβολή ή τοπικές γειτονιές για οπτικοποίηση.
Αναλυτική Επεξήγηση #
Τι Καλύπτει Αυτό το Κεφάλαιο #
- Στατιστική ανίχνευση ανωμαλιών βασισμένη σε κατώφλια για χρονοσειρές
- Πρακτική συμπεριφορά ανιχνευτών υπό εποχικότητα, τάση και απότομες μεταβολές
- Πρότυπα υλοποίησης για ανίχνευση, οπτικοποίηση και επικύρωση
Τι Μπορείτε να Κάνετε Μετά από Αυτό το Κεφάλαιο #
- Να επιλέξετε έναν ανιχνευτή ανωμαλιών βάσει της συμπεριφοράς των δεδομένων και των λειτουργικών περιορισμών
- Να ερμηνεύσετε ψευδώς θετικά/ψευδώς αρνητικά με διαγνωστικά βασισμένα σε μετρικές
- Να σχεδιάσετε μια αναπαραγώγιμη ροή εργασίας ανίχνευσης ανωμαλιών από την προεπεξεργασία έως την αξιολόγηση