Points clés
- Catégorie
- Data Analysis
- Types d’entrée
- textarea, select, text, number, checkbox
- Type de sortie
- text
- Couverture des échantillons
- 4
- API disponible
- Yes
Vue d’ensemble
Le Détecteur de Valeurs Aberrantes est un outil d'analyse statistique conçu pour identifier rapidement les anomalies au sein de vos jeux de données numériques. Grâce à des méthodes éprouvées comme l'IQR (Écart Interquartile) et le Z-score, il vous permet de nettoyer vos données et d'assurer la fiabilité de vos analyses.
Quand l’utiliser
- •Avant de réaliser une analyse statistique pour garantir la précision des résultats.
- •Lors du nettoyage de grands ensembles de données pour éliminer les erreurs de saisie ou les mesures extrêmes.
- •Pour surveiller des indicateurs de performance et détecter des comportements inhabituels ou des pics anormaux.
Comment ça marche
- •Saisissez vos données numériques dans la zone dédiée en choisissant le délimiteur approprié.
- •Sélectionnez la méthode statistique adaptée à votre besoin, telle que l'IQR ou le Z-score.
- •Ajustez le seuil de sensibilité pour affiner la précision de la détection.
- •Générez le résultat sous forme de tableau, de résumé ou de format JSON pour une intégration facile.
Cas d’usage
Exemples
1. Analyse de ventes mensuelles
Analyste financier- Contexte
- Un analyste doit vérifier une liste de 500 transactions pour identifier les montants anormalement élevés ou bas.
- Problème
- Les erreurs de saisie manuelle faussent la moyenne des ventes mensuelles.
- Comment l’utiliser
- Copier-coller la liste des montants, sélectionner la méthode 'Z-score' et régler la sensibilité sur 2.0.
- Configuration d’exemple
-
detectionMethod: zscore, sensitivity: 2.0, outputFormat: table - Résultat
- Le tableau généré isole les 3 transactions qui dépassent le seuil statistique, permettant une correction rapide.
2. Contrôle qualité de capteurs
Ingénieur qualité- Contexte
- Des capteurs de température envoient des données en continu, mais certains envoient des valeurs aberrantes dues à des interférences.
- Problème
- Identifier rapidement les mesures de température physiquement impossibles.
- Comment l’utiliser
- Entrer les relevés de température, choisir 'IQR' pour sa robustesse face aux valeurs extrêmes.
- Configuration d’exemple
-
detectionMethod: iqr, sensitivity: 1.5, outputFormat: summary - Résultat
- Un résumé statistique identifie les 5 relevés aberrants, facilitant la maintenance ciblée des capteurs défectueux.
Tester avec des échantillons
markdown, qrHubs associés
FAQ
Qu'est-ce qu'une valeur aberrante ?
Une valeur aberrante est un point de données qui diffère significativement des autres observations, pouvant indiquer une variabilité naturelle ou une erreur de mesure.
Quelle méthode choisir entre IQR et Z-score ?
L'IQR est robuste pour les données non normales, tandis que le Z-score est plus efficace pour les distributions suivant une loi normale.
Comment fonctionne le seuil de sensibilité ?
Le seuil détermine l'écart à partir duquel une valeur est considérée comme anormale. Une valeur plus basse augmente la sensibilité de détection.
Puis-je exporter les résultats ?
Oui, vous pouvez choisir le format de sortie, y compris JSON ou tableau, pour copier et utiliser vos données ailleurs.
L'outil supporte-t-il les fichiers ?
Actuellement, l'outil traite les données numériques saisies directement dans la zone de texte.