🔺Как можно интегрировать экспертные знания в методы обнаружения аномалий на основе плотности
Хотя методы, основанные на оценке плотности, чаще всего являются полностью безнадзорными, в реальных задачах часто доступна частичная информация от экспертов. Это могут быть:
1️⃣известные валидные диапазоны значений (например, «датчик не может показывать ниже 0»), 2️⃣примеры аномалий или нормальных состояний, собранные вручную, 3️⃣логические правила или бизнес-ограничения.
🚩Как использовать эту информацию
1. Полунадзорная плотностная оценка — Задать «якорные» точки: явно указать, какие объекты точно нормальные, а какие — аномальные. Это влияет на локальные оценки плотности вокруг них.
2. Постобработка результатов модели — После работы алгоритма можно применять экспертные правила для фильтрации или повторной оценки найденных аномалий. Например, игнорировать точки, попавшие в известные допустимые диапазоны, даже если модель посчитала их подозрительными.
3. Обогащение признаков — Добавить признаки, отражающие экспертные соображения (например, флаги «значение превышает допустимый уровень»), которые помогут алгоритму выявлять аномалии более осознанно.
🔺Как можно интегрировать экспертные знания в методы обнаружения аномалий на основе плотности
Хотя методы, основанные на оценке плотности, чаще всего являются полностью безнадзорными, в реальных задачах часто доступна частичная информация от экспертов. Это могут быть:
1️⃣известные валидные диапазоны значений (например, «датчик не может показывать ниже 0»), 2️⃣примеры аномалий или нормальных состояний, собранные вручную, 3️⃣логические правила или бизнес-ограничения.
🚩Как использовать эту информацию
1. Полунадзорная плотностная оценка — Задать «якорные» точки: явно указать, какие объекты точно нормальные, а какие — аномальные. Это влияет на локальные оценки плотности вокруг них.
2. Постобработка результатов модели — После работы алгоритма можно применять экспертные правила для фильтрации или повторной оценки найденных аномалий. Например, игнорировать точки, попавшие в известные допустимые диапазоны, даже если модель посчитала их подозрительными.
3. Обогащение признаков — Добавить признаки, отражающие экспертные соображения (например, флаги «значение превышает допустимый уровень»), которые помогут алгоритму выявлять аномалии более осознанно.
If riding a bucking bronco is your idea of fun, you’re going to love what the stock market has in store. Consider this past week’s ride a preview.The week’s action didn’t look like much, if you didn’t know better. The Dow Jones Industrial Average rose 213.12 points or 0.6%, while the S&P 500 advanced 0.5%, and the Nasdaq Composite ended little changed.
However, analysts are positive on the stock now. “We have seen a huge downside movement in the stock due to the central electricity regulatory commission’s (CERC) order that seems to be negative from 2014-15 onwards but we cannot take a linear negative view on the stock and further downside movement on the stock is unlikely. Currently stock is underpriced. Investors can bet on it for a longer horizon," said Vivek Gupta, director research at CapitalVia Global Research.
Библиотека собеса по Data Science | вопросы с собеседований from in
