🔺 Как можно интегрировать экспертные знания в методы обнаружения аномалий на основе плотности

Хотя методы, основанные на оценке плотности, чаще всего являются полностью безнадзорными, в реальных задачах часто доступна частичная информация от экспертов. Это могут быть:

1️⃣ известные валидные диапазоны значений (например, «датчик не может показывать ниже 0»),
2️⃣ примеры аномалий или нормальных состояний, собранные вручную,
3️⃣ логические правила или бизнес-ограничения.

🚩 Как использовать эту информацию

1. Полунадзорная плотностная оценка
— Задать «якорные» точки: явно указать, какие объекты точно нормальные, а какие — аномальные. Это влияет на локальные оценки плотности вокруг них.

2. Постобработка результатов модели
— После работы алгоритма можно применять экспертные правила для фильтрации или повторной оценки найденных аномалий. Например, игнорировать точки, попавшие в известные допустимые диапазоны, даже если модель посчитала их подозрительными.

3. Обогащение признаков
— Добавить признаки, отражающие экспертные соображения (например, флаги «значение превышает допустимый уровень»), которые помогут алгоритму выявлять аномалии более осознанно.

Библиотека собеса по Data Science