Анализ временных рядов - - 2 часть + конспект от YandexGPT

Анализ временных рядов - - 2 часть конспект от YandexGPT 00:02 Методы обнаружения аномалий • Видео обсуждает различные методы обнаружения аномалий в данных, включая контролируемые и неконтролируемые методы, явные и интерпретируемые правила, статистические методы, методы на основе ошибок прогноза, методы на основе сжатия и восстановления, и методы без учителя. • Обсуждаются различные метрики для выявления аномалий, включая метрики предсказания и восстановления. 16:03 Примеры аномалий • Видео приводит примеры аномалий, включая коллективные аномалии, такие как изменение волатильности, и локальные аномалии, определяемые на основе порога или окна. • Обсуждается важность аккуратного отношения к аномалиям, особенно в случае тяжелых распределений данных. 21:00 Статистические методы выявления аномалий • В видео обсуждаются различные методы выявления аномалий, основанные на статистических методах и методах на основе правил. • Примеры включают методы на основе поиска ошибок, метрические методы и методы на основе кластеризации. 26:27 Метод изоляционного леса • Изоляционный лес - это метод на основе машинного обучения, который разбивает выборку на случайные подвыборки и затем ищет аномалии на краях этих подвыборок. • Метод работает хорошо, но его можно оптимизировать для временных рядов. 30:20 Метод опорных векторов • Метод опорных векторов предполагает разделение выборки на два класса: основной и нулевой. • Аномалии определяются как точки, которые попадают в диапазон между этими классами. • Метод может быть использован для выявления аномалий, но его обобщающая способность может быть ограничена. 34:01 Метод автоэнкодера • Метод автоэнкодера предполагает сжатие и восстановление временного ряда. • Аномалии определяются как ошибки восстановления. • Метод может быть использован для выявления аномалий, но требует сбалансированной задачи классификации.