{
 "cells": [
  {
   "cell_type": "markdown",
   "id": "dd36cef2-4feb-44ed-900e-0fa6f75d74bd",
   "metadata": {},
   "source": [
    "**Цель задачи:**  \n",
    "Продемонстрировать применение метода **Comparing anomaly detection algorithms for outlier detection on toy datasets** для обнаружения аномалий в данных на основе их локальной плотности.  \n",
    "\n",
    "1. **Использовать** алгоритм LOF из scikit-learn (`LocalOutlierFactor, IsolationForest, OneClassSVM, EllipticEnvelope.`).  \n",
    "2. **Протестировать** на двух типах данных:  \n",
    "   - **Сгенерированный датасет**: `make_moons` плюс сгенерированные вбросы. \n",
    "   - **Реальный датасет**: annthyroid (аномалии в медицинских данных) из openml.org.  \n",
    "3. **Сравнить** результаты работы алгоритмов (визуализация границ решений для 2D‑случая, метрики классификации), проанализировать, какие типы выбросов лучше обнаруживает каждый метод, и интерпретировать причины различий.  "
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.11.5"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}