Una guida passo passo per rilevare in modo accurato picchi e valli.
Guida per rilevare picchi e valli in modo accurato.
La rilevazione dei picchi è un passaggio sfidante in molte applicazioni. Leggi e impara come rilevare accuratamente picchi e valli in vettori 1D e matrici 2D (immagini).
Il nostro cervello umano è eccellente nel rilevare picchi in relazione al loro contesto. Quello che sembra un compito facile per l’occhio può essere una sfida per l’automazione delle macchine. In generale, i picchi e le valli indicano eventi (significativi) come aumenti o diminuzioni improvvisi di prezzo/volume o aumenti repentini di domanda. Una delle sfide è la definizione di un picco o una valle, che può variare a seconda delle applicazioni e dei domini. Altre sfide possono essere più tecniche, come un segnale rumoroso che può comportare molti falsi positivi o una singola soglia che potrebbe non rilevare accuratamente gli eventi locali. In questo blog, descriverò come rilevare accuratamente picchi e valli in un vettore monodimensionale o in una matrice bidimensionale (immagine) senza assumere la forma del picco. Inoltre, mostrerò come gestire il rumore nel segnale. Le analisi vengono eseguite utilizzando la libreria findpeaks, e vengono forniti esempi pratici per sperimentare.
Una breve introduzione sui picchi e le valli.
La rilevazione dei (bruschi) cambiamenti in un segnale è un compito importante in molte applicazioni che deve essere segnalato o monitorato. Ci sono approssimativamente due tipi di “cambiamenti improvvisi”, gli outlier e i picchi di interesse, che sono concettualmente diversi. Gli outlier sono punti dati che si discostano significativamente da ciò che è normale nel set di dati, mentre i picchi di interesse sono punti dati o regioni specifiche all’interno di un segnale che hanno importanza o rilevanza per l’analisi o il dominio in questione. Nel caso in cui tu abbia bisogno di approfondire con esempi pratici nella rilevazione degli outlier, prova questi blog [1, 2].
Rilevazione degli outlier utilizzando l’Analisi delle Componenti Principali e i metodi Hotelling’s T2 e SPE/DmodX
Grazie alla sensibilità dell’ACP, può essere utilizzata per rilevare gli outlier in set di dati multivariati
towardsdatascience.com
