Présentation de la détection d'anomalies

La détection d'anomalies est une technique d'exploration de données qui vous permet d'identifier les écarts dans un ensemble de données spécifique. Par exemple, si le taux de retour d'un produit donné augmente considérablement par rapport au taux de référence pour ce produit, cela peut indiquer un défaut ou une fraude potentielle. Vous pouvez utiliser la détection d'anomalies pour détecter les incidents critiques, tels que les problèmes techniques, ou les opportunités, telles que les changements du comportement des consommateurs.

L'un des défis de l'utilisation de la détection d'anomalies consiste à déterminer ce qui est considéré comme des données anormales. Si vous avez étiqueté des données qui identifient des anomalies, vous pouvez effectuer la détection d'anomalies avec l'un des modèles de machine learning supervisé suivants :

• Modèles de régression linéaire et de régression logistique
• Modèles en arbre de décision à boosting
• Modèles de forêt d'arbres décisionnels
• DNN et modèles wide et deep learning
• Modèles AutoML

Si vous ne savez pas ce qui compte comme des données anormales ou si vous n'avez pas de données étiquetées sur lesquelles entraîner un modèle, vous pouvez utiliser le machine learning non supervisé pour détecter les anomalies. Utilisez la fonction ML.DETECT_ANOMALIES avec l'un des modèles suivants pour détecter les anomalies dans les données d'entraînement ou les nouvelles données de diffusion:

Type de données	Types de modèles	Fonction ML.DETECT_ANOMALIES
Séries temporelles	ARIMA_PLUS	Détecter les anomalies dans la série temporelle.
	ARIMA_PLUS_XREG	Détecter les anomalies dans les séries temporelles à l'aide de régresseurs externes.
Variables indépendantes et identiquement distribuées (IID)	K-moyennes	Détecter les anomalies en fonction de la distance la plus courte parmi les distances normalisées des données d'entrée vers chaque centroïde du cluster. Pour obtenir la définition des distances normalisées, consultez la section Sortie du modèle de k-moyennes pour la fonction ML.DETECT_ANOMALIES.
	Auto-encodeur	Détecter les anomalies basées sur la perte de reconstruction en termes d'erreur quadratique moyenne. Pour en savoir plus, consultez ML.RECONSTRUCTION_LOSS La fonction ML.RECONSTRUCTION_LOSS peut récupérer tous les types de pertes de reconstruction.
	ACP	Détecter les anomalies basées sur la perte de reconstruction en termes d'erreur quadratique moyenne.