Обнаружение аномалий. Алгоритм LOF

Воркшоп знакомит с популярным алгоритмом поиска аномалий в наборах данных — Local Outlier Factor (LOF), в основе которого лежит концепция поиска ближайшего соседа. Задача обнаружения аномалий актуальна при подготовке и очистке датасетов и построении моделей в отсутствии наблюдения события (например, диагностика поломок оборудования). О чем узнаем в ходе воркшопа: — выброс или аномалия: в чем различие? — три группы алгоритмов для обнаружения аномалий; — задача Novelty Detection и полуконтролируемое обучение; — достижимое расстояние и локальная плотность достижимости; — алгоритм LOF — локальный уровень выброса; — ограничения алгоритма. Полная версия воркшопа с данными, теорией, практикой и домашним заданием: Обнаружение_аномалий_Алгоритм_LOF Практика — в Loginom, а сам алгоритм LOF будем вызывать из Python при помощи библиотеки компонентов Loginom Python Kits. В домашнем задании будем решать кейс на медицинских данных. Все возможности аналитической платформы: Скачать бесплатную редакцию Loginom: Электронные курсы по аналитике данных: Страница Мастерской Loginom Skills: Присоединяйтесь к телеграм-каналу Loginom Skills: Остались вопросы? Пишите: #Loginom #lowcode #datascience