Анализ временных рядов - - 2 часть + конспект от YandexGPT
Анализ временных рядов - - 2 часть конспект от YandexGPT
00:02 Методы обнаружения аномалий
• Видео обсуждает различные методы обнаружения аномалий в данных, включая контролируемые и неконтролируемые методы, явные и интерпретируемые правила, статистические методы, методы на основе ошибок прогноза, методы на основе сжатия и восстановления, и методы без учителя.
• Обсуждаются различные метрики для выявления аномалий, включая метрики предсказания и восстановления.
16:03 Примеры аномалий
• Видео приводит примеры аномалий, включая коллективные аномалии, такие как изменение волатильности, и локальные аномалии, определяемые на основе порога или окна.
• Обсуждается важность аккуратного отношения к аномалиям, особенно в случае тяжелых распределений данных.
21:00 Статистические методы выявления аномалий
• В видео обсуждаются различные методы выявления аномалий, основанные на статистических методах и методах на основе правил.
• Примеры включают методы на основе поиска ошибок, метрические методы и методы на основе кластеризации.
26:27 Метод изоляционного леса
• Изоляционный лес - это метод на основе машинного обучения, который разбивает выборку на случайные подвыборки и затем ищет аномалии на краях этих подвыборок.
• Метод работает хорошо, но его можно оптимизировать для временных рядов.
30:20 Метод опорных векторов
• Метод опорных векторов предполагает разделение выборки на два класса: основной и нулевой.
• Аномалии определяются как точки, которые попадают в диапазон между этими классами.
• Метод может быть использован для выявления аномалий, но его обобщающая способность может быть ограничена.
34:01 Метод автоэнкодера
• Метод автоэнкодера предполагает сжатие и восстановление временного ряда.
• Аномалии определяются как ошибки восстановления.
• Метод может быть использован для выявления аномалий, но требует сбалансированной задачи классификации.