Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/34910| Título: | Biblioteca em Python para explicabilidade de anomalias |
| Título(s) alternativo(s): | Python library for explanability of anomalies |
| Autor(es): | Faria, Rodrigo Colli, Tiago |
| Orientador(es): | Gomes Junior, Luiz Celso |
| Palavras-chave: | Python (Linguagem de programação de computador) Algorítmos Processamento eletrônico de dados - Análise Mineração de dados (Computação) Python (Computer program language) Algorithms Electronic data processing - Analysis Data mining |
| Data do documento: | 8-Dez-2021 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | FARIA, Rodrigo; COLLI, Tiago. Biblioteca em Python para explicabilidade de anomalias. 2021. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) - Universidade Tecnológica Federal do Paraná, Curitiba, 2021. |
| Resumo: | A detecção de outliers tem sido usada para detectar e, quando apropriado, remover observa- ções anômalas dos dados. Sua utilização pode identificar falhas e fraudes no sistema antes que as mesmas resultem em consequências potencialmente graves, entre diversas outras aplicações. Uma ramificação da contribuição dada pela detecção de outliers está relacionada a entender quais os aspectos da observação anômala a separam significativamente das demais. Essa área de pesquisa t em sido denominada Outlier Aspect Mining (OAM). Apesar de ser um tópico novo e com poucas pesquisas desenvolvidas, resultados e aplicações promissoras têm sido apresentados pela comunidade. Tendo isso em vista, o objetivo deste trabalho será contribuir com as pesquisas de OAM de forma prática. Foi produzida uma biblioteca em Python que possibilita o usuário aplicar algoritmos de Outlier Aspect Mining e analisar os resultados em suas próprias massas de dados. O código fonte está disponível para a comunidade não apenas utilizá-lo, mas também estendê-lo como desejar. A biblioteca foi testada em dados do mercado econômico e também avaliada por um usuário final. |
| Abstract: | Outlier detection has been used to detect and, if appropriate, remove anomalous observations from the data. Its usability can identify system failures and frauds before they escalate with potentially huge consequences. One ramification of the contribution made by the outlier detection field is related to understanding which aspects of the anomalous observation significantly separate it from the others in a given dataset. This area of research has been called Outlier Aspect Mining (OAM). Promising results and applications and cases have been presented by the community. With this in mind, the objective of this paper is to contribute to OAM research in a practical way. We developed a Python library that allows the user to apply Outlier Aspect Mining algorithms and analyze the results in their own datasets. The source code is made available to the community not only to use but also to extend as wished. The library was tested on economic market data and also evaluated by an end user. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/34910 |
| Aparece nas coleções: | CT - Sistemas de Informação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| bibliotecaexplicabilidadeanomalias.pdf | 1,71 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
