Biblioteca em Python para explicabilidade de anomalias

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorGomes Junior, Luiz Celso-
Autor(es): dc.contributorGomes Junior, Luiz Celso-
Autor(es): dc.contributorBuiar, José Antonio-
Autor(es): dc.contributorBenghi, Felipe Marx-
Autor(es): dc.creatorFaria, Rodrigo-
Autor(es): dc.creatorColli, Tiago-
Data de aceite: dc.date.accessioned2025-08-29T12:52:43Z-
Data de disponibilização: dc.date.available2025-08-29T12:52:43Z-
Data de envio: dc.date.issued2024-09-27-
Data de envio: dc.date.issued2024-09-27-
Data de envio: dc.date.issued2021-12-07-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/34910-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1103506-
Descrição: dc.descriptionOutlier 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.-
Descrição: dc.descriptionA 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.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherCuritiba-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherSistemas de Informação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-sa/4.0/-
Palavras-chave: dc.subjectPython (Linguagem de programação de computador)-
Palavras-chave: dc.subjectAlgorítmos-
Palavras-chave: dc.subjectProcessamento eletrônico de dados - Análise-
Palavras-chave: dc.subjectMineração de dados (Computação)-
Palavras-chave: dc.subjectPython (Computer program language)-
Palavras-chave: dc.subjectAlgorithms-
Palavras-chave: dc.subjectElectronic data processing - Analysis-
Palavras-chave: dc.subjectData mining-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::SISTEMAS DE INFORMACAO-
Título: dc.titleBiblioteca em Python para explicabilidade de anomalias-
Título: dc.titlePython library for explanability of anomalies-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.