2.9
Detecção de anomalias
Resumo
- Este capítulo abrange os principais métodos de redução de dimensionalidade para comprimir dados de alta dimensão preservando estrutura útil.
- Você comparará métodos lineares (PCA, SVD, LDA) com métodos não lineares (t-SNE, Isomap, Kernel PCA).
- Após este capítulo, você deverá ser capaz de escolher métodos para visualização, remoção de ruído e modelagem subsequente.
Intuição #
A redução de dimensionalidade trata de preservar a geometria correta para o seu objetivo: variância global para compressão, separação de classes para projeção supervisionada ou vizinhanças locais para visualização.
Explicação Detalhada #
O Que Este Capítulo Abrange #
- Detecção de anomalias estatística e baseada em limiares para séries temporais
- Comportamento prático do detector sob sazonalidade, tendência e saltos repentinos
- Padrões de implementação para detecção, visualização e validação
O Que Você Pode Fazer Após Este Capítulo #
- Escolher um detector de anomalias com base no comportamento dos dados e nas restrições operacionais
- Interpretar falsos positivos/falsos negativos com diagnósticos baseados em métricas
- Projetar um fluxo de trabalho reprodutível de detecção de anomalias desde o pré-processamento até a avaliação