آیا تا به حال در پروژههای یادگیری ماشین، برای تشخیص ناهنجاریها (Anomaly Detection) با تعیین «آستانه» یا Threshold به مشکل خوردهاید؟ اکثر مدلها فقط امتیاز خروجی میدهند و انتخاب آستانه همیشه چالشبرانگیز است.
کتابخانه جدید و متنباز «nonconform» در پایتون به میدان آمده تا با استفاده از روش «تشخیص ناهنجاری انطباقی» (Conformal Anomaly Detection)، این چالش را حل کند. این ابزار با تبدیل امتیازهای ناهنجاری به مقادیر احتمالی (p-values) کالیبره شده، به شما کمک میکند تا تصمیماتی دقیقتر و با مبنای آماری داشته باشید.
✅ ویژگیهای کلیدی:
– سازگاری کامل با scikit-learn و pyod
– ارائه رابط کاربری یکپارچه برای کالیبراسیون و کنترل نرخ کشف خطا
– مناسب برای کسانی که میخواهند از روشهای اکتشافی فاصله بگیرند و به دقت آماری برسند.
این ابزار نه تنها برای متخصصان دیتا، بلکه برای هر کسی که با تشخیص ناهنجاری سر و کار دارد، یک قدم بزرگ در مسیر تولید نتایج قابلاعتماد و بازتولیدپذیر است.
منبع: arXiv Machine Learning