Leistung messen

Einführung in die Anomalieerkennung in R

Alastair Rushworth

Data Scientist

Einen Entscheidungsschwellenwert verwenden

Wähle einen hohen Schwellenwert

high_score <- quantile(sat$score, probs = 0.99)
high_score

    99% 
0.6228078

Score binarisieren

sat$binary_score <- as.numeric(score >= high_score)
Einführung in die Anomalieerkennung in R

Übereinstimmungstabellen

Wahrer Label vs. binarisierter Score vergleichen

table(sat$label, sat$binary_score)

       0    1
  0 5729    3
  1   15   56

  • 56 von 71 Anomalien gefunden
Einführung in die Anomalieerkennung in R

Recall

Korrekt erkannte Anomalien $\div$ Anomalien gesamt

  • 1 = Perfekter Recall; jede Anomalie vom Algorithmus erkannt
table(sat$label, sat$binary_score)

       0    1
  0 5729    3
  1   15   56

recall <- 56 / (15 + 56)
recall

0.7887324
Einführung in die Anomalieerkennung in R

Präzision

Korrekt erkannte Anomalien $\mathbf{\div}$ Als anomal eingestufte Fälle gesamt

  • 1 = Perfekte Präzision; keine normalen Instanzen falsch gelabelt
table(sat$label, sat$binary_score)

       0    1
  0 5729    3
  1   15   56

precision <- 56 / (56 + 3)
precision

0.9491525
Einführung in die Anomalieerkennung in R

Lass uns üben!

Einführung in die Anomalieerkennung in R

Preparing Video For Download...