2.9
Detección de anomalías
Resumen
- Este capitulo presenta metodos de reduccion de dimensionalidad para comprimir datos de alta dimension conservando estructura util.
- Se comparan metodos lineales (PCA, SVD, LDA) y no lineales (t-SNE, Isomap, Kernel PCA).
- Al finalizar, podras elegir tecnicas para visualizacion, denoising y preprocesamiento de modelos.
Intuicion #
Reducir dimension no es solo comprimir: es conservar la geometria relevante para el objetivo, ya sea varianza global, separacion de clases o vecindad local.
Explicacion Detallada #
Que Cubre Este Capitulo #
- deteccion de anomalias en series temporales con enfoques estadisticos y por umbral
- comportamiento practico de detectores ante estacionalidad, tendencia y saltos bruscos
- patrones de implementacion para detectar, visualizar y validar
Que Podras Hacer #
- elegir detectores segun el comportamiento de los datos y restricciones operativas
- interpretar falsos positivos y falsos negativos con diagnostico basado en metricas
- construir un flujo reproducible desde preprocesamiento hasta evaluacion