1.2.4 – Deteccao de Anomalias
1.2.4.1 – Isolation Forest, One-Class SVM, DBSCAN, Autoencoders, LSTM
encontrando o que é raro e suspeito
Detecção de anomalias identifica padrões que não se comportam como a maioria dos dados analisados. Diferente da classificação, não há exemplos de anomalias para treinar o modelo. Primeiramente, o algoritmo aprende o comportamento normal a partir de dados históricos. Além disso, identifica pontos que se desviam significativamente desse padrão estabelecido. Por exemplo, transações bancárias suspeitas em meio a milhares de operações normais. É essencial para segurança, monitoramento e controle de qualidade.
técnicas estatísticas e baseadas em distância
Métodos estatísticos assumem que dados normais seguem uma distribuição conhecida. Primeiramente, pontos com baixa probabilidade são considerados anomalias potenciais. Além disso, métodos baseados em distância medem isolamento em relação aos vizinhos. Por exemplo, KNN detecta pontos muito distantes de seus vizinhos mais próximos. Z-score identifica valores que se afastam mais de três desvios padrão da média. Técnicas de clusterização marcam pontos que não pertencem a nenhum cluster. São abordagens simples e interpretáveis para detecção.
isolamento e aprendizado de representações
Isolation Forest é um método eficiente que isola anomalias em vez de perfilar o normal. Primeiramente, ele constrói árvores de decisão aleatórias particionando os dados. Além disso, anomalias requerem menos divisões para serem isoladas na estrutura. Autoencoders aprendem a reconstruir dados normais e detectam anomalias por erro elevado. Por exemplo, transações fraudulentas geram maior erro de reconstrução. Métodos baseados em redes neurais capturam padrões complexos. São adequados para dados de alta dimensionalidade como imagens e séries temporais.
aplicações críticas no mundo real
Detecção de anomalias protege sistemas críticos em diversas indústrias diariamente. Primeiramente, instituições financeiras identificam transações fraudulentas em tempo real. Além disso, manufatura detecta produtos defeituosos em linhas de produção automáticas. Segurança cibernética identifica invasões e comportamentos anormais em redes. Por exemplo, detectar falhas em equipamentos industriais antes que quebrem. Na saúde, monitora sinais vitais de pacientes buscando padrões perigosos. Para iniciantes, detecção de anomalias mostra como encontrar o inesperado em dados. É a ferramenta para descobrir o raro, o suspeito e o que merece atenção.
