Détection des anomalies dans pycaret

La détection des anomalies consiste à identifier les éléments, événements ou observations rares qui suscitent des soupçons en différant considérablement de la majorité des données. En règle générale, les éléments anormaux se traduiront par une sorte de problème tel qu'une fraude bancaire, un défaut structurel, des problèmes médicaux ou des erreurs dans un texte. Il existe trois grandes catégories de techniques de détection des anomalies:

•     Détection d'anomalies non surveillées: les techniques de détection d'anomalies non surveillées détectent les anomalies dans un ensemble de données de test sans étiquette en supposant que la majorité des instances de l'ensemble de données sont normales en recherchant les instances qui semblent correspondre le moins au reste de l'ensemble de données.

•     Détection supervisée d'anomalies: cette technique nécessite un ensemble de données étiquetées comme «normales» et «anormales» et implique la formation d'un classificateur.

•     Détection d'anomalies semi-supervisée: cette technique construit un modèle représentant un comportement normal à partir d'un ensemble de données d'entraînement normal donné, puis teste la probabilité qu'une instance de test soit générée par le modèle appris.

Le module pycaret.anomaly prend en charge la technique de détection d'anomalies non supervisée et supervisée. Dans ce tutoriel, nous ne couvrirons que la technique de détection d'anomalies non supervisée.