Isolation Forest para detectar anomalías en series temporales

Aprende a detectar anomalías en series temporales con Python, utilizando técnicas avanzadas y algoritmos de Machine Learning.

Basándonos en las ofertas de generación energética que EOLICA AUDAX (ADXVD04) ha registrado en el mercado de OMIE durante 2023, a continuación se presenta un análisis de anomalías en la serie temporal.

Visualización de anomalías detectadas en las ofertas de generación energética de EOLICA AUDAX (ADXVD04) en el mercado de OMIE durante 2023.
F1. Detección inicial de anomalías

En este tutorial, aprenderás como desarrollar un modelo de detección de anomalías en series temporales con Python a partir de un caso práctico.

Data

Cada fila representa la energía que la unidad ofertante ADXVD04 ha registrado en el mercado de OMIE durante 2023.

import pandas as pd

df = pd.read_csv('data.csv')
Representación de los datos brutos de energía ofertada por la unidad ADXVD04 en el mercado OMIE a lo largo de 2023, antes de la aplicación de técnicas de detección de anomalías
F2. Datos brutos de ofertas energéticas

Preguntas

  1. ¿Cómo se extraen las propiedades temporales para detectar anomalías?
  2. ¿Cómo utilizar el algoritmo Isolation Forest para identificar los datos anómalos?
  3. ¿Cómo se configura el algoritmo para detectar un porcentaje específico de datos como anómalos?
  4. ¿Qué técnicas se emplean para visualizar los datos anómalos en la serie temporal?

Great! You’ve successfully signed up.

Welcome back! You've successfully signed in.

You've successfully subscribed to datons.

Success! Check your email for magic link to sign-in.

Success! Your billing info has been updated.

Your billing was not updated.