{"id":53278,"date":"2019-11-28T00:00:00","date_gmt":"2019-11-27T21:00:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/9-podhodov-dlya-vyyavleniya-anomalij"},"modified":"2020-02-18T14:01:10","modified_gmt":"2020-02-18T11:01:10","slug":"9-podhodov-dlya-vyyavleniya-anomalij","status":"publish","type":"post","link":"https:\/\/prohoster.info\/es\/blog\/news\/9-podhodov-dlya-vyyavleniya-anomalij","title":{"rendered":"9 enfoques para detectar anomal\u00edas","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

En art\u00edculo anterior<\/a><\/noindex> Hablamos sobre la predicci\u00f3n de series temporales. Una continuaci\u00f3n l\u00f3gica ser\u00eda un art\u00edculo sobre la detecci\u00f3n de anomal\u00edas. <\/p>\n

Aplicaci\u00f3n<\/h3>\n

\nLa detecci\u00f3n de anomal\u00edas se utiliza en \u00e1reas como: <\/p>\n

1) Predicci\u00f3n de fallos de equipos<\/h3>\n

\nAs\u00ed, en 2010, las centr\u00edfugas iran\u00edes fueron atacadas por el virus Stuxnet, que estableci\u00f3 un modo de operaci\u00f3n no \u00f3ptimo y da\u00f1\u00f3 parte del equipo debido al desgaste acelerado. <\/p>\n

Si se hubieran utilizado algoritmos de detecci\u00f3n de anomal\u00edas en el equipo, se podr\u00edan haber evitado situaciones de fallo. <\/p>\n

\"9
\n<\/a><\/noindex>
\nLa detecci\u00f3n de anomal\u00edas en el funcionamiento del equipo se utiliza no solo en la industria nuclear, sino tambi\u00e9n en la metalurgia y en el funcionamiento de turbinas a\u00e9reas. Y en otras \u00e1reas donde el uso de diagn\u00f3stico predictivo es m\u00e1s econ\u00f3mico que las posibles p\u00e9rdidas debido a un fallo impredecible.<\/p>\n

2) Predicci\u00f3n de actividades fraudulentas<\/h3>\n

\nSi desde la tarjeta que usas en Podolsk se retiran fondos en Albania, tal vez las transacciones deban ser revisadas con m\u00e1s cuidado.<\/p>\n

3) Detecci\u00f3n de patrones de consumo an\u00f3malos<\/h3>\n

\nSi un grupo de clientes presenta un comportamiento an\u00f3malo, puede haber un problema del que no est\u00e1s consciente.<\/p>\n

4) Detecci\u00f3n de demanda y carga anormales<\/h3>\n

\nSi las ventas en una tienda de FMCG caen por debajo del intervalo de confianza de la predicci\u00f3n, vale la pena averiguar la raz\u00f3n de lo que est\u00e1 ocurriendo.<\/p>\n

Enfoques para la detecci\u00f3n de anomal\u00edas<\/h2>\n

<\/p>\n

1) M\u00e9todo de soporte vectorial de una clase One-Class SVM<\/h3>\n

\nEs adecuado cuando los datos en el conjunto de entrenamiento se distribuyen normalmente, y en el de prueba contienen anomal\u00edas.<\/p>\n

El m\u00e9todo de soporte vectorial de una clase construye una superficie no lineal alrededor del origen. Se puede establecer un l\u00edmite para determinar qu\u00e9 datos considerar an\u00f3malos.<\/p>\n

Seg\u00fan la experiencia de nuestro equipo de DATA4, One-Class SVM es el algoritmo m\u00e1s utilizado para resolver el problema de detecci\u00f3n de anomal\u00edas. <\/p>\n

\"9
\n<\/p>\n

2) M\u00e9todo de bosque aislante \u2013 isolate forest<\/h3>\n

\nCon el m\u00e9todo 'aleatorio' de construcci\u00f3n de \u00e1rboles, las anomal\u00edas entran en las hojas en las primeras etapas (a poca profundidad del \u00e1rbol), es decir, las anomal\u00edas son m\u00e1s f\u00e1ciles de 'aislar'. La identificaci\u00f3n de valores an\u00f3malos ocurre en las primeras iteraciones del algoritmo.<\/p>\n

\"9
\n<\/p>\n

3) Sobre envolturas el\u00edpticas y m\u00e9todos estad\u00edsticos<\/h3>\n

\nSe utiliza cuando los datos est\u00e1n distribuidos normalmente. Cuanto m\u00e1s cerca est\u00e9 la medici\u00f3n de la cola de la mezcla de distribuciones, m\u00e1s an\u00f3malo ser\u00e1 el valor.<\/p>\n

A esta clase tambi\u00e9n se pueden clasificar otros m\u00e9todos estad\u00edsticos.<\/p>\n

\"9
\n
\n\"9
\nImagen del sitio dyakonov.org<\/i><\/p>\n

4) M\u00e9todos m\u00e9tricos<\/h3>\n

\nLos m\u00e9todos incluyen algoritmos como k vecinos m\u00e1s cercanos, k-\u00e9simo vecino m\u00e1s cercano, ABOD (detecci\u00f3n de outliers basada en \u00e1ngulo) o LOF (factor de outlier local).<\/p>\n

Son adecuados si la distancia entre los valores en las caracter\u00edsticas es equivalente o est\u00e1 normalizada (para no medir una serpiente en loros). <\/p>\n

El algoritmo k vecinos m\u00e1s cercanos supone que los valores normales se encuentran en una determinada \u00e1rea del espacio multidimensional, y que la distancia a las anomal\u00edas ser\u00e1 mayor que a la hipersuperficie de separaci\u00f3n. <\/p>\n

\"9
\n<\/p>\n

5) M\u00e9todos de clustering<\/h3>\n

\nLa esencia de los m\u00e9todos de clustering es que si un valor se aleja de los centros de los clusters m\u00e1s all\u00e1 de un cierto umbral, se puede considerar an\u00f3malo. <\/p>\n

Lo principal es utilizar un algoritmo que clusterice correctamente los datos, lo que depende de la tarea espec\u00edfica. <\/p>\n

\"9
\n<\/p>\n

6) M\u00e9todo de componentes principales<\/h3>\n

\nEs adecuado donde se destacan las direcciones de mayor variaci\u00f3n en la dispersi\u00f3n.<\/p>\n

7) Algoritmos basados en la predicci\u00f3n de series temporales<\/h3>\n

\nLa idea es que si un valor se encuentra fuera del intervalo de confianza de la predicci\u00f3n, se considera an\u00f3malo. Para la predicci\u00f3n de series temporales se utilizan algoritmos como suavizado triple, S(ARIMA), boosting, etc.<\/p>\n

Se habl\u00f3 de algoritmos de predicci\u00f3n de series temporales en el art\u00edculo anterior.<\/p>\n

\"9
\n<\/p>\n

8) Aprendizaje supervisado (regresi\u00f3n, clasificaci\u00f3n)<\/h3>\n

\nSi los datos lo permiten, utilizamos algoritmos que van desde la regresi\u00f3n lineal hasta las redes neuronales recurrentes. Mediremos la diferencia entre la predicci\u00f3n y el valor real, y concluiremos en qu\u00e9 medida los datos se desv\u00edan de la norma. Es importante que el algoritmo tenga una capacidad de generalizaci\u00f3n suficiente y que el conjunto de entrenamiento no contenga valores an\u00f3malos.<\/p>\n

9) Pruebas de modelo<\/h3>\n

\nAbordaremos el problema de la detecci\u00f3n de anomal\u00edas como un problema de recomendaci\u00f3n. Descompondremos nuestra matriz de caracter\u00edsticas utilizando SVD o m\u00e1quinas de factorizaci\u00f3n, y aquellos valores en la nueva matriz que se desv\u00eden significativamente de los originales se considerar\u00e1n an\u00f3malos. <\/p>\n

\"9
\n
\nImagen del sitio dyakonov.org<\/i><\/p>\n

Conclusi\u00f3n<\/h3>\n

\nEn este art\u00edculo hemos revisado los enfoques principales para la detecci\u00f3n de anomal\u00edas. <\/p>\n

La b\u00fasqueda de anomal\u00edas se puede considerar en gran medida un arte. No existe un algoritmo o enfoque perfecto que resuelva todos los problemas. Se suele utilizar una combinaci\u00f3n de m\u00e9todos para abordar un caso espec\u00edfico. La b\u00fasqueda de anomal\u00edas se realiza mediante el m\u00e9todo de soporte vectorial de una sola clase, bosques aislantes, m\u00e9todos m\u00e9tricos y de agrupamiento, as\u00ed como utilizando componentes principales y pron\u00f3sticos de series temporales.<\/p>\n

Si conoces otros m\u00e9todos, comp\u00e1rtelos en los comentarios del art\u00edculo.
\n
Fuente: habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"

\u0412 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u0439 \u0441\u0442\u0430\u0442\u044c\u0435 \u043c\u044b \u0433\u043e\u0432\u043e\u0440\u0438\u043b\u0438 \u043e \u043f\u0440\u043e\u0433\u043d\u043e\u0437\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0438 \u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0445 \u0440\u044f\u0434\u043e\u0432. \u041b\u043e\u0433\u0438\u0447\u043d\u044b\u043c \u043f\u0440\u043e\u0434\u043e\u043b\u0436\u0435\u043d\u0438\u0435\u043c \u0431\u0443\u0434\u0435\u0442 \u0441\u0442\u0430\u0442\u044c\u044f \u043e \u0432\u044b\u044f\u0432\u043b\u0435\u043d\u0438\u0438 \u0430\u043d\u043e\u043c\u0430\u043b\u0438\u0439. \u041f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u0412\u044b\u044f\u0432\u043b\u0435\u043d\u0438\u0435 \u0430\u043d\u043e\u043c\u0430\u043b\u0438\u0439 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f \u0432 \u0442\u0430\u043a\u0438\u0445 \u043e\u0431\u043b\u0430\u0441\u0442\u044f\u0445 \u043a\u0430\u043a: 1) \u041f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u043d\u0438\u0435 \u043f\u043e\u043b\u043e\u043c\u043e\u043a \u043e\u0431\u043e\u0440\u0443\u0434\u043e\u0432\u0430\u043d\u0438\u044f \u0422\u0430\u043a, \u0432 2010 \u0433\u043e\u0434\u0443 \u0418\u0440\u0430\u043d\u0441\u043a\u0438\u0435 \u0446\u0435\u043d\u0442\u0440\u0438\u0444\u0443\u0433\u0438 \u0431\u044b\u043b\u0438 \u0430\u0442\u0430\u043a\u043e\u0432\u0430\u043d\u044b \u0432\u0438\u0440\u0443\u0441\u043e\u043c Stuxnet, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0437\u0430\u0434\u0430\u043b \u043d\u0435\u043e\u043f\u0442\u0438\u043c\u0430\u043b\u044c\u043d\u044b\u0439 \u0440\u0435\u0436\u0438\u043c \u0440\u0430\u0431\u043e\u0442\u044b \u043e\u0431\u043e\u0440\u0443\u0434\u043e\u0432\u0430\u043d\u0438\u044f \u0438 \u0432\u044b\u0432\u0435\u043b \u0438\u0437 \u0441\u0442\u0440\u043e\u044f \u0447\u0430\u0441\u0442\u044c \u043e\u0431\u043e\u0440\u0443\u0434\u043e\u0432\u0430\u043d\u0438\u044f \u0437\u0430 \u0441\u0447\u0435\u0442 \u0443\u0441\u043a\u043e\u0440\u0435\u043d\u043d\u043e\u0433\u043e \u0438\u0437\u043d\u043e\u0441\u0430. \u0415\u0441\u043b\u0438 […]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-53278","post","type-post","status-publish","format-standard","hentry","category-news"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\n","aioseo_head_json":{"title":"\ud83e\udd479 enfoques para la detecci\u00f3n de anomal\u00edas | ProHoster","description":"En el art\u00edculo anterior hablamos sobre pron\u00f3sticos de series temporales. Una continuaci\u00f3n l\u00f3gica ser\u00eda un art\u00edculo sobre la detecci\u00f3n de anomal\u00edas.","canonical_url":"https:\/\/prohoster.info\/es\/blog\/news\/9-podhodov-dlya-vyyavleniya-anomalij","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"es_ES","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd479 \u043f\u043e\u0434\u0445\u043e\u0434\u043e\u0432 \u0434\u043b\u044f \u0432\u044b\u044f\u0432\u043b\u0435\u043d\u0438\u044f \u0430\u043d\u043e\u043c\u0430\u043b\u0438\u0439 | ProHoster","og:description":"\u0412 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u0439 \u0441\u0442\u0430\u0442\u044c\u0435 \u043c\u044b \u0433\u043e\u0432\u043e\u0440\u0438\u043b\u0438 \u043e \u043f\u0440\u043e\u0433\u043d\u043e\u0437\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0438 \u0432\u0440\u0435\u043c\u0435\u043d\u043d\u044b\u0445 \u0440\u044f\u0434\u043e\u0432. \u041b\u043e\u0433\u0438\u0447\u043d\u044b\u043c \u043f\u0440\u043e\u0434\u043e\u043b\u0436\u0435\u043d\u0438\u0435\u043c \u0431\u0443\u0434\u0435\u0442 \u0441\u0442\u0430\u0442\u044c\u044f \u043e \u0432\u044b\u044f\u0432\u043b\u0435\u043d\u0438\u0438 \u0430\u043d\u043e\u043c\u0430\u043b\u0438\u0439.","og:url":"https:\/\/prohoster.info\/es\/blog\/news\/9-podhodov-dlya-vyyavleniya-anomalij","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2019-11-27T21:00:00+00:00","article:modified_time":"2020-02-18T11:01:10+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"53278","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-24 06:46:20","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 20:28:47","updated":"2026-01-24 06:46:20","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts\/53278","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/comments?post=53278"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/posts\/53278\/revisions"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/media?parent=53278"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/categories?post=53278"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/es\/wp-json\/wp\/v2\/tags?post=53278"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}