Referencia interactiva · Módulo Outliers

Glosario de outliers, robustez y detección de anomalías

62 conceptos conectados desde estadística robusta e influencia hasta Isolation Forest, LOF, One-Class SVM, evaluación, thresholds y monitoreo en producción. El objetivo no es memorizar definiciones aisladas, sino entender cómo cada término participa en una decisión analítica.

Estadística robustaInfluenciaMultivariadoMachine LearningEvaluaciónProducción
Material elaborado por el profesor Sergio Gevatschnaider.
62 términos0 abiertos
← GuíaSimulacionesCuestionario

Buscar por concepto o por familia

Podés escribir una palabra, filtrar por categoría o navegar alfabéticamente. Abrí un término para ver definición, uso, ejemplo y error frecuente.

No hay términos que coincidan con la búsqueda o el filtro.
A
Definición
Puntuación continua que ordena observaciones desde más normales hasta más anómalas.
Para qué sirve
Separar el ranking producido por el modelo de la decisión final basada en un threshold.
Ejemplo / lectura
Isolation Forest, LOF, One-Class SVM y autoencoders generan scores con convenciones diferentes; conviene normalizarlos antes de combinarlos.
Error frecuente: No asumir que 0,8 significa lo mismo en algoritmos distintos.
Definición
Observación que solo es rara bajo un contexto específico.
Para qué sirve
Incorporar hora, estación, segmento, producto, geografía o régimen en la definición de normalidad.
Ejemplo / lectura
30 °C puede ser normal en verano y atípico en invierno.
Error frecuente: Aplicar un umbral global ignorando contexto.
Definición
Observación rara respecto de la distribución completa.
Para qué sirve
Detectar casos alejados de la masa principal del conjunto.
Ejemplo / lectura
Un monto cien veces mayor que el rango habitual.
Error frecuente: Confundir rareza global con error.
Definición
Observación cuya densidad es baja respecto de la densidad de sus vecinos.
Para qué sirve
Detectar rareza en regiones con densidades distintas.
Ejemplo / lectura
Un punto aparentemente central en términos globales puede ser aislado dentro de su pequeño cluster.
Error frecuente: Usar solo distancia al centro global.
Definición
Comparación sistemática de resultados bajo tratamientos, thresholds o supuestos alternativos.
Para qué sirve
Medir cuánto depende una conclusión de decisiones discutibles como eliminar, winsorizar o segmentar.
Ejemplo / lectura
Comparar coeficientes y métricas con y sin observaciones influyentes.
Error frecuente: Reportar una única variante como si fuera inevitable.
Definición
Red neuronal entrenada para reconstruir sus entradas a través de una representación latente.
Para qué sirve
Aprender patrones normales complejos y usar el error de reconstrucción como score.
Ejemplo / lectura
Una transacción difícil de reconstruir puede recibir una alerta.
Error frecuente: Usar autoencoders con pocos datos o sin controlar overfitting.
Definición
Métrica que resume la relación precision-recall a través de distintos thresholds.
Para qué sirve
Comparar calidad del ranking cuando la clase anómala es rara.
Ejemplo / lectura
Un detector con AP alta coloca anomalías reales entre los scores superiores.
Error frecuente: Elegir por accuracy en datasets muy desbalanceados.
B
Definición
Visualización basada en mediana, cuartiles y bigotes.
Para qué sirve
Resumir centro, dispersión central, asimetría aproximada y puntos más allá de las cercas.
Ejemplo / lectura
Los puntos fuera de 1,5·IQR suelen dibujarse por separado.
Error frecuente: Interpretar automáticamente cada punto externo como error.
C
Definición
Límites construidos como Q1−k·IQR y Q3+k·IQR.
Para qué sirve
Crear una regla univariada robusta para marcar observaciones extremas.
Ejemplo / lectura
Con k=1,5 se obtiene la regla habitual de boxplot.
Error frecuente: Usarlas como regla universal en distribuciones muy sesgadas.
Definición
Cambio en la relación entre variables o entre predictores y comportamiento esperado.
Para qué sirve
Detectar cuando el patrón aprendido deja de ser válido.
Ejemplo / lectura
Un comportamiento antes anómalo puede convertirse en normal.
Error frecuente: Solo recalibrar scores sin revisar el fenómeno.
Definición
Parámetro que representa una proporción esperada o asumida de anomalías.
Para qué sirve
Ayudar a convertir un score continuo en etiquetas.
Ejemplo / lectura
En Isolation Forest puede influir en el offset de decisión.
Error frecuente: Interpretarlo como una tasa verdadera descubierta por el modelo.
Definición
Estimación de covarianza diseñada para resistir observaciones contaminantes.
Para qué sirve
Calcular distancias multivariadas sin permitir que pocos extremos deformen el centro y la forma.
Ejemplo / lectura
Minimum Covariance Determinant es una estrategia clásica.
Error frecuente: Usar covarianza clásica cuando los propios outliers dominan la matriz.
Definición
Fenómeno por el cual distancias y densidades pierden contraste al crecer la dimensión.
Para qué sirve
Advertir limitaciones de kNN, LOF y métodos de distancia.
Ejemplo / lectura
Con muchas variables irrelevantes, los vecinos dejan de ser claramente cercanos.
Error frecuente: Agregar variables sin selección ni representación.
Definición
Curva que muestra precision frente a recall al variar el threshold.
Para qué sirve
Analizar el trade-off de alertas en problemas desbalanceados.
Ejemplo / lectura
Permite elegir una región operativa compatible con el costo de FP y FN.
Error frecuente: Mirar un único threshold durante la comparación de modelos.
D
Definición
Algoritmo de clustering basado en densidad que etiqueta como ruido los puntos que no pertenecen a regiones densas.
Para qué sirve
Explorar clusters de forma arbitraria y posibles casos de ruido.
Ejemplo / lectura
La etiqueta −1 se usa frecuentemente como señal de rareza.
Error frecuente: Confundir ruido de clustering con anomalía verificada.
Definición
Frontera que separa regiones clasificadas como normales y anómalas.
Para qué sirve
Visualizar el comportamiento de modelos como One-Class SVM.
Ejemplo / lectura
Gamma alto en RBF puede generar fronteras muy locales.
Error frecuente: Evaluar la frontera sin considerar escalado.
Definición
Medida de dispersión alrededor de la media basada en errores cuadráticos.
Para qué sirve
Cuantificar escala cuando la media es una referencia razonable.
Ejemplo / lectura
Se usa en z-score y regla de tres sigmas.
Error frecuente: Olvidar que es sensible a extremos.
Definición
Medida de influencia de una observación sobre un modelo de regresión.
Para qué sirve
Identificar casos cuya eliminación podría cambiar sustancialmente el ajuste.
Ejemplo / lectura
La referencia 4/n se usa como heurística exploratoria.
Error frecuente: Tratar el umbral heurístico como prueba definitiva de error.
Definición
Distancia al centro que considera la covarianza entre variables.
Para qué sirve
Detectar puntos raros en un espacio correlacionado.
Ejemplo / lectura
Un punto puede tener z-scores moderados y una Mahalanobis alta si rompe la relación X–Y.
Error frecuente: Usarla con covarianza inestable en alta dimensión sin regularización.
Definición
Cambio en la distribución de datos, scores o relación entre variables a lo largo del tiempo.
Para qué sirve
Detectar cuando la normalidad aprendida deja de representar el presente.
Ejemplo / lectura
Un aumento persistente de alertas puede indicar data drift.
Error frecuente: Recalibrar automáticamente sin investigar la causa.
E
Definición
Detector que ajusta una región elíptica mediante una estimación robusta de covarianza.
Para qué sirve
Modelar normalidad aproximadamente gaussiana y unimodal.
Ejemplo / lectura
Es útil cuando la nube normal tiene geometría elíptica.
Error frecuente: Aplicarlo a múltiples clusters o manifolds no lineales.
Definición
Combinación de scores de varios detectores.
Para qué sirve
Capturar nociones complementarias de rareza: aislamiento, densidad, frontera o reconstrucción.
Ejemplo / lectura
Promediar scores robustamente normalizados de Isolation Forest, LOF y OCSVM.
Error frecuente: Promediar scores crudos con escalas y orientaciones distintas.
Definición
Diferencia entre una observación y su reconstrucción por un modelo latente.
Para qué sirve
Puntuar cuánto se aparta un caso de la estructura aprendida.
Ejemplo / lectura
PCA o autoencoder pueden usar ||x−x̂||².
Error frecuente: Asumir que error alto siempre significa fraude o error.
Definición
Estimador diseñado para cambiar poco ante una fracción moderada de contaminación.
Para qué sirve
Reducir la influencia de casos extremos.
Ejemplo / lectura
Mediana y MAD son más robustos que media y desvío estándar.
Error frecuente: Confundir robustez con insensibilidad total.
F
Definición
Media armónica entre precision y recall.
Para qué sirve
Resumir ambos objetivos cuando se desea un equilibrio.
Ejemplo / lectura
F1 aumenta solo si precision y recall son simultáneamente razonables.
Error frecuente: Usarlo sin considerar costos asimétricos.
Definición
Proporción esperada de falsos descubrimientos entre las alertas.
Para qué sirve
Controlar calidad de grandes volúmenes de alertas.
Ejemplo / lectura
Está relacionada conceptualmente con 1−precision en un conjunto fijo.
Error frecuente: Confundir control estadístico de FDR con validación causal.
Definición
Anomalía real clasificada como normal.
Para qué sirve
Representa casos que el sistema deja pasar.
Ejemplo / lectura
Fraude no bloqueado o falla no detectada.
Error frecuente: Ignorar su costo cuando se optimiza precision.
Definición
Caso normal clasificado como anomalía.
Para qué sirve
Representa una alerta innecesaria.
Ejemplo / lectura
Transacción legítima enviada a revisión manual.
Error frecuente: Suponer que aumentar recall no genera costo operativo.
Definición
Ajuste de escalas para que variables con unidades distintas sean comparables.
Para qué sirve
Es esencial para SVM, kNN, LOF, DBSCAN y muchas distancias.
Ejemplo / lectura
Kilómetros y pesos monetarios no deberían competir solo por magnitud numérica.
Error frecuente: Escalar después de dividir de forma incorrecta o con leakage.
H
Definición
Filtro basado en mediana local y MAD para detectar extremos en una ventana.
Para qué sirve
Detectar spikes en series temporales preservando robustez local.
Ejemplo / lectura
Una lectura de sensor puede compararse con la mediana de sus vecinos temporales.
Error frecuente: Aplicarlo sin considerar cambios reales de nivel.
Definición
Distribuciones con mayor probabilidad de valores extremos que una normal.
Para qué sirve
Reconocer que eventos alejados pueden ser parte natural del proceso.
Ejemplo / lectura
Finanzas y tiempos de espera suelen presentar colas pesadas.
Error frecuente: Usar regla de tres sigmas como si la distribución fuera gaussiana.
Definición
Observación ubicada en una región extrema del espacio de predictores.
Para qué sirve
Evaluar la capacidad de un punto para afectar la pendiente de regresión.
Ejemplo / lectura
Un valor extremo de X puede tener alta palanca aunque su residuo sea pequeño.
Error frecuente: Confundir leverage con gran residuo.
I
Definición
Capacidad de una observación para modificar sustancialmente un estimador o modelo.
Para qué sirve
Distinguir casos extremos que realmente cambian conclusiones.
Ejemplo / lectura
Cook's Distance resume influencia en regresión lineal.
Error frecuente: Eliminar todo outlier sin medir influencia.
Definición
Rango intercuartílico: diferencia entre Q3 y Q1.
Para qué sirve
Medir dispersión del 50% central de los datos.
Ejemplo / lectura
Base de las cercas de Tukey.
Error frecuente: Interpretarlo como rango total.
Definición
Algoritmo que detecta anomalías mediante particiones aleatorias que aíslan observaciones.
Para qué sirve
Obtener un baseline escalable para datos tabulares.
Ejemplo / lectura
Puntos anómalos suelen tener rutas de aislamiento más cortas.
Error frecuente: Interpretar contamination como verdad del dataset.
L
Definición
Local Outlier Factor: comparación de densidad local entre un punto y sus vecinos.
Para qué sirve
Encontrar anomalías locales en datasets con densidades heterogéneas.
Ejemplo / lectura
LOF alto indica menor densidad relativa.
Error frecuente: Elegir k sin análisis de sensibilidad.
M
Definición
Mediana de las desviaciones absolutas respecto de la mediana.
Para qué sirve
Estimar una escala robusta.
Ejemplo / lectura
1,4826·MAD aproxima σ bajo normalidad.
Error frecuente: Confundir MAD con desviación media absoluta.
Definición
Promedio aritmético de las observaciones.
Para qué sirve
Resumir el centro cuando la distribución y la pérdida justifican esa referencia.
Ejemplo / lectura
Ingresos extremos pueden desplazarla fuertemente.
Error frecuente: Usarla como única medida central en fuerte asimetría.
Definición
Valor central de la muestra ordenada.
Para qué sirve
Resumir el centro con resistencia a valores extremos.
Ejemplo / lectura
En ingresos sesgados suele representar mejor al caso típico que la media.
Error frecuente: Suponer que es siempre la mejor medida sin considerar el objetivo.
Definición
Método robusto para estimar centro y covarianza a partir de un subconjunto de baja dispersión.
Para qué sirve
Reducir la influencia de contaminación en distancias multivariadas.
Ejemplo / lectura
Es la base de detectores robustos de geometría elíptica.
Error frecuente: Usarlo sin considerar costo computacional o dimensionalidad.
Definición
Score estandarizado que sustituye media/desvío por mediana/MAD.
Para qué sirve
Detectar extremos con mayor resistencia a contaminación.
Ejemplo / lectura
Se construye a partir de |x−mediana| / escala MAD.
Error frecuente: Aplicar un threshold sin revisar distribución y contexto.
Definición
Caso raro considerando simultáneamente varias variables.
Para qué sirve
Detectar combinaciones inusuales no visibles en análisis marginales.
Ejemplo / lectura
Edad e ingreso normales por separado, combinación improbable.
Error frecuente: Filtrar cada columna independientemente y asumir que basta.
N
Definición
Escenario donde se aprende normalidad con datos de referencia y se puntúan casos nuevos.
Para qué sirve
Detectar desviaciones futuras respecto de un baseline limpio.
Ejemplo / lectura
One-Class SVM puede usarse de esta forma.
Error frecuente: Evaluar como novelty un conjunto usado para entrenar el mismo modelo.
O
Definición
Modelo de una clase que aprende una región de soporte de los datos normales.
Para qué sirve
Construir fronteras no lineales de normalidad.
Ejemplo / lectura
Con kernel RBF, nu y gamma controlan tolerancia y complejidad.
Error frecuente: No escalar variables antes del entrenamiento.
Definición
Observación inusual respecto de un patrón de referencia.
Para qué sirve
Señalar casos que merecen verificación o análisis adicional.
Ejemplo / lectura
Puede ser error, evento raro válido, segmento o cambio de régimen.
Error frecuente: Equiparar outlier con dato malo.
Definición
Escenario de detección donde el conjunto ajustado puede contener anomalías.
Para qué sirve
Encontrar casos raros dentro de un dataset potencialmente contaminado.
Ejemplo / lectura
Isolation Forest se usa frecuentemente bajo este enfoque.
Error frecuente: Suponer que el train es completamente limpio.
P
Definición
Detección basada en reconstruir datos a partir de un subespacio de componentes principales.
Para qué sirve
Puntuar observaciones que no siguen la estructura lineal dominante.
Ejemplo / lectura
Error de reconstrucción alto sugiere desviación del subespacio.
Error frecuente: Usar PCA sin escalado cuando las unidades son muy distintas.
Definición
Proporción de alertas que resultan ser anomalías reales.
Para qué sirve
Medir calidad y carga útil de las alertas.
Ejemplo / lectura
Precision = TP/(TP+FP).
Error frecuente: Optimizar precision ignorando anomalías omitidas.
Q
Definición
Valor que divide la distribución ordenada según una proporción acumulada.
Para qué sirve
Construir thresholds empíricos y medidas robustas.
Ejemplo / lectura
Q1, mediana y Q3 corresponden a 25%, 50% y 75%.
Error frecuente: Confundir percentil con porcentaje de error.
R
Definición
Proporción de anomalías reales que fueron detectadas.
Para qué sirve
Medir cobertura del sistema.
Ejemplo / lectura
Recall = TP/(TP+FN).
Error frecuente: Maximizar recall sin considerar el volumen de falsas alarmas.
Definición
Diferencia entre valor observado y predicción del modelo.
Para qué sirve
Examinar casos mal explicados por un modelo.
Ejemplo / lectura
eᵢ = yᵢ−ŷᵢ.
Error frecuente: Confundir residuo grande con leverage alto.
Definición
Escalador basado en mediana e IQR.
Para qué sirve
Reducir sensibilidad del escalado a valores extremos.
Ejemplo / lectura
Útil antes de One-Class SVM o métodos basados en distancias.
Error frecuente: Creer que elimina outliers.
Definición
Área bajo la curva ROC que mide capacidad de ranking entre clases.
Para qué sirve
Comparar discriminación global a través de thresholds.
Ejemplo / lectura
Puede ser útil, pero en fuerte desbalance debe complementarse con Precision-Recall.
Error frecuente: Elegir solo por ROC-AUC en problemas operativamente desbalanceados.
S
Definición
Transformación de variables para colocarlas en escalas comparables.
Para qué sirve
Evitar que unidades grandes dominen distancias o kernels.
Ejemplo / lectura
StandardScaler y RobustScaler son alternativas distintas.
Error frecuente: Ajustar el scaler con train y test juntos.
Definición
Función de algunos estimadores que devuelve un score por observación.
Para qué sirve
Separar información continua de la etiqueta final.
Ejemplo / lectura
En scikit-learn, la orientación del score puede variar según estimador.
Error frecuente: Asumir que score mayor siempre significa mayor anomalía.
Definición
Transformación que centra por media y escala por desvío estándar.
Para qué sirve
Estandarizar variables cuando media y σ son referencias adecuadas.
Ejemplo / lectura
Es común antes de modelos sensibles a escala.
Error frecuente: Ajustarlo con datos contaminados sin evaluar robustez.
Definición
Observación que participa en la definición de la frontera de una SVM.
Para qué sirve
Entender qué puntos sostienen la frontera del One-Class SVM.
Ejemplo / lectura
Cambios en nu/gamma pueden modificar el conjunto de support vectors.
Error frecuente: Interpretar support vector como anomalía por definición.
T
Definición
Regla que marca valores a más de tres desvíos estándar de la media.
Para qué sirve
Usar una referencia simple bajo normalidad aproximada.
Ejemplo / lectura
En una normal, ±3σ contiene casi toda la masa.
Error frecuente: Aplicarla ciegamente a colas pesadas o asimetría.
Definición
Valor de corte que transforma un score continuo en una acción o etiqueta.
Para qué sirve
Controlar el trade-off entre sensibilidad y falsas alarmas.
Ejemplo / lectura
Puede elegirse por percentil, costo, capacidad o validación.
Error frecuente: Optimizarlo con el test final.
U
Definición
Observación extrema respecto de una sola variable.
Para qué sirve
Aplicar reglas simples por columna.
Ejemplo / lectura
IQR, z-score y MAD son métodos univariados.
Error frecuente: Asumir que detecta anomalías de relación.
W
Definición
Sustitución de extremos por valores límite, normalmente percentiles.
Para qué sirve
Limitar influencia sin eliminar filas.
Ejemplo / lectura
Capar por P1 y P99.
Error frecuente: Aplicarla sin guardar valores originales ni justificar el corte.
Z
Definición
Número de desvíos estándar que separa una observación de la media.
Para qué sirve
Estandarizar distancia univariada bajo una referencia media/σ.
Ejemplo / lectura
z=(x−μ)/σ.
Error frecuente: Usarlo como detector universal de anomalías.