ZSkoru ile Anomali Tespiti Masterclass
Bu prompt, veri setlerinizdeki aykırı değerleri ve beklenmedik desenleri bilimsel bir yaklaşımla tespit etmenize yardımcı olmak için tasarlanmıştır. Özellikle Pandas AI 'ın gelişmiş yeteneklerini kullanarak, karmaşık istatistiksel analizleri doğal dil komutlarıyla kolayca uygulayabilirsiniz.
Anomali tespiti, finansal dolandırıcılık, ağ güvenliği ihlalleri, üretim hataları veya sensör arızaları gibi birçok alanda kritik öneme sahiptir. Z-Skoru yöntemi, bir veri noktasının veri setinin ortalamasından ne kadar standart sapma uzakta olduğunu ölçerek, istatistiksel olarak anlamlı sapmaları belirler.
Bu masterclass, Pandas AI'a veri setinizi yüklemesi, belirli bir sütun için ortalama ve standart sapmayı hesaplaması, her bir veri noktası için Z-Skorunu türetmesi ve son olarak belirlenen bir eşik değerine göre anomalileri filtrelemesi için net talimatlar verir. Böylece, manuel kod yazma ihtiyacını ortadan kaldırarak analiz sürecinizi hızlandırır ve veri odaklı kararlar almanızı destekler.
Elde edeceğiniz çıktılar arasında, veri setinizdeki potansiyel anomalilerin bir listesi ve bu anomalilerin ilgili Z-Skorları bulunur. Bu bilgiler, daha derinlemesine inceleme gerektiren veri noktalarını hızlıca belirlemenizi sağlar. Analiz sonuçları, veri setinizin genel yapısını ve potansiyel sorunlu alanları daha iyi anlamanıza yardımcı olacaktır.
{ }Değişken Açıklamaları:
- [VERİ_SETİ_YOLU]: Analiz etmek istediğiniz veri setinin dosya yolu (örn: /mnt/data/finansal_islemler.csv veya https://example.com/veri.xlsx).
- [ANALİZ_EDİLECEK_SÜTUN]: Anomali tespiti yapmak istediğiniz nümerik sütunun adı (örn: 'İşlem Tutarı', 'Sıcaklık', 'Gecikme Süresi').
- [EŞİK_DEĞERİ]: Bir veri noktasının anomali olarak kabul edilmesi için Z-Skorunun aşması gereken mutlak değer (örn: 2.5, 3.0, 3.5). Genellikle 2.5 veya 3.0 kullanılır.
Değişkenleri Düzenle
Here are the steps you need to follow:
1. **Load the Data:** Load the dataset from the specified path. Ensure the data is properly parsed.
* Dataset Path: `[DATASET_PATH]`
2. **Calculate Z-Scores:** For the designated column, calculate the Z-score for each data point.
* Column to Analyze: `[COLUMN_TO_ANALYZE]`
* The Z-score for a data point 'x' is calculated as: (x - mean) / standard deviation.
3. **Identify Anomalies:** Based on the calculated Z-scores, identify all data points that have an absolute Z-score greater than the specified threshold.
* Z-Score Threshold: `[Z_SCORE_THRESHOLD]`
4. **Present Anomalies:** Display the identified anomalies. For each anomaly, show the original row of data, the value in the `[COLUMN_TO_ANALYZE]`, and its calculated Z-score.
5. **Summarize Findings:** Provide a brief summary of the number of anomalies found and suggest potential next steps for further investigation (e.g., visualizing the anomalies, checking data collection issues, or analyzing the context of these outliers).
Ensure all outputs are clear, concise, and directly address the anomaly detection task.
You are an expert data analyst specialized in using Pandas AI for statistical analysis. Your task is to perform Z-score based anomaly detection on a given dataset.
Here are the steps you need to follow:
1. **Load the Data:** Load the dataset from the specified path. Ensure the data is properly parsed.
* Dataset Path: `[DATASET_PATH]`
2. **Calculate Z-Scores:** For the designated column, calculate the Z-score for each data point.
* Column to Analyze: `[COLUMN_TO_ANALYZE]`
* The Z-score for a data point 'x' is calculated as: (x - mean) / standard deviation.
3. **Identify Anomalies:** Based on the calculated Z-scores, identify all data points that have an absolute Z-score greater than the specified threshold.
* Z-Score Threshold: `[Z_SCORE_THRESHOLD]`
4. **Present Anomalies:** Display the identified anomalies. For each anomaly, show the original row of data, the value in the `[COLUMN_TO_ANALYZE]`, and its calculated Z-score.
5. **Summarize Findings:** Provide a brief summary of the number of anomalies found and suggest potential next steps for further investigation (e.g., visualizing the anomalies, checking data collection issues, or analyzing the context of these outliers).
Ensure all outputs are clear, concise, and directly address the anomaly detection task.
Bu Prompt Seni Bekliyor
Pandas AI için hazırlanmış bu promptu anında kopyala, kullan.
Ücretsiz üye ol, binlerce prompta eriş.
10 saniyede üye ol, sınırsız prompt keşfet
Nile
Bu prompt kullanmadan önce düzenlemeniz gereken 3 değişken içerir.
Keşfet
Alternatif Araçlar
Biliyor muydunuz?
Talimatları ve veriyi ayır: metni üç tırnak ("""), --- çizgisi veya etiketlerle (<metin>…</metin>) çevrelemek karışıklığı önler.
En Popüler
İlgili Etiketler
Benzer promptlar
Puan ver