Обнаружение выбросов с помощью случайных лесных регрессоров: Используйте преимущества алгоритма в своих интересах
•Обнаружение выбросов может быть сложным из-за неоднозначности данных. •Математически, выброс определяется как отклонение более чем на три стандартных отклонения. •В реальных задачах важно учитывать причины выбросов. •Анализ потребления воды в домохозяйствах может выявить выбросы. •Выбросы могут быть вызваны аномально большим домом или другими причинами. •Важно различать выбросы, вызванные аномальным потреблением, и выбросы, вызванные другими факторами. •Построение 2D или 3D точечных графиков помогает выявить выбросы. •Точки, удаленные от большинства, указывают на выбросы. •Алгоритмы, такие как регрессия случайного леса, могут быть использованы для обнаружения выбросов. •Случайные леса отдают приоритет обобщению, а не точной подгонке. •Остаточная ошибка случайной лесной регрессии может использоваться для обнаружения выбросов. •Деревья решений популярны благодаря высокой скорости прогнозирования и интерпретируемости. •Сингулярные деревья решений подвержены переобучению и могут игнорировать функции. •Случайные лесные регрессоры используют несколько неглубоких деревьев решений для улучшения обобщения. •Случайная лесная регрессия была использована для прогнозирования потребления воды. •Выбросы были изолированы по остаточным ошибкам модели. •Обнаружение выбросов позволило дифференцировать аномальное потребление воды. •Изолирующие леса также могут использоваться для обнаружения аномалий. •Изолирующие леса оценивают аномалии по скорости их изоляции на ранних уровнях дерева.
Этот пост подготовила нейросеть: сделала выжимку статьи и, возможно, даже перевела ее с английского. А бот опубликовал пост в Сетке.
