Comparación de algoritmos de detección de anomalías

# Introducción

Esta práctica compara diferentes algoritmos de detección de anomalías en conjuntos de datos bidimensionales. Los conjuntos de datos contienen una o dos modalidades (regiones de alta densidad) para ilustrar la capacidad de los algoritmos para manejar datos multimodales. Para cada conjunto de datos, el 15% de las muestras se generan como ruido uniforme aleatorio. Los límites de decisión entre valores normales y valores atípicos se muestran en negro, excepto para el Factor de Atipicidad Local (Local Outlier Factor - LOF), ya que no tiene un método de predicción que se pueda aplicar a nuevos datos cuando se utiliza para la detección de valores atípicos.

## Consejos sobre la VM

Una vez que se haya iniciado la VM, haga clic en la esquina superior izquierda para cambiar a la pestaña **Cuaderno** y acceder a Jupyter Notebook para practicar.

A veces, es posible que tenga que esperar unos segundos a que Jupyter Notebook termine de cargarse. La validación de las operaciones no se puede automatizar debido a las limitaciones de Jupyter Notebook.

Si tiene problemas durante el aprendizaje, no dude en preguntar a Labby. Deje su retroalimentación después de la sesión y resolveremos rápidamente el problema para usted.