41 lines
1.8 KiB
Plaintext
41 lines
1.8 KiB
Plaintext
{
|
||
"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
|
||
}
|