Einführung
In diesem Lab werden verschiedene Anomalieerkennungsalgorithmen auf zweidimensionalen Datensätzen verglichen. Die Datensätze enthalten eine oder zwei Modi (Regionen mit hoher Dichte), um die Fähigkeit der Algorithmen zur Bewältigung multimodaler Daten zu illustrieren. Für jeden Datensatz werden 15% der Proben als zufälliger gleichmäßiger Rausch erzeugt. Die Entscheidungsgrenzen zwischen Inlinern und Outlinern werden in Schwarz angezeigt, ausgenommen für den Local Outlier Factor (LOF), da er keine Vorhersagemethode hat, die auf neue Daten angewendet werden kann, wenn er zur Anomalieerkennung verwendet wird.
Tipps für die VM
Nachdem der VM-Start abgeschlossen ist, klicken Sie in der oberen linken Ecke, um zur Registerkarte Notebook zu wechseln und Jupyter Notebook für die Übung zu öffnen.
Manchmal müssen Sie einige Sekunden warten, bis Jupyter Notebook vollständig geladen ist. Die Validierung von Vorgängen kann aufgrund der Einschränkungen in Jupyter Notebook nicht automatisiert werden.
Wenn Sie bei der Lernphase Probleme haben, können Sie Labby gerne fragen. Geben Sie nach der Sitzung Feedback ab, und wir werden das Problem für Sie prompt beheben.