Please enable JavaScript.
Coggle requires JavaScript to display documents.
Análisis y comparación de algoritmos de detección de anomalías, image,…
Análisis y comparación de algoritmos de detección de anomalías
Conjunto de datos
Seleccion
Simplemente se selecciona el conjunto de datos a utilizar
El conjunto de datos debe de estar completo para que el resultado sea preciso
Sobreajuste
Bajo rendimiento
Su aprendizaje fue a base de los errores
Posible errores en el dataset
Prepracacion
Se ajustan los parámetros a lo necesario
Se prueba el entrenamiento
Puede ser por división o normalización
Subajuste
Comúnmente significa que el modelo se simplifico demasiado
Insuficiente cantidad de datos
El dataset posiblemente este incompleto o cortado
Aprendizaje no supervisado
K-NN
Detecta anomalias
K Nearest Neighbors
Se calcula utilizando la distancia media de todos los vecinos
Es comun normalizar los datos para incrementar la efectividad
LOF
A las muestras se le llama factor local
Desviación local
COF
Estimacion de densidad
Se basa en conexiones anonimas
LOCI
Utiliza un enfoque de maximización de rendimiento
Aplicaciones
Industria
Automatizacion de procesos
Gestion de finanzas
Gestion de inventario
Salud
Deteccion de enfermedades
Monitorización de pacientes
Avances mas rapidos
Finanzas
Mayor seguridad en la red
Se utiliza para evitar fraudes en linea
Estado del arte
La informacion es poder, pero esto requiere un buen manejo de los datos
Mejora la eficiencia y productividad
Identificacion de problemas poco visibles
Optimización de procesos
Analisis
Existen diferentes metricas que se utilizan para el analisis
Matriz de confusion
Muestra el desempeño de un algoritmo de clasificación
ROC-AUC
Muestra el desempeño de un algoritmo de clasificacion
IFOREST
Observaciones seleccionando datos al azar
Utiliza muchos modelos ruidosos para reducir la variación de los mismos
CBLOF
Realiza una estimación de la densidad de cada grupo en base a la agrupación de areas de los datos
