Python OAM: biblioteca de explicabilidade para processos de detecção de outliers

Authors

  • Rodrigo F. Silva UTFPR Author
  • Luiz Gomes-Jr. UTFPR Author

Abstract

Detecção de outliers é usada para identificar falhas e fraudes, entre outras aplicações. Algoritmos de detecção são limitados em termos de prover informação sobre a razão da anomalia identificada.
Outlier Aspect Mining (OAM) analisa quais aspectos da observação anômala a separam das demais. Nosso artigo descreve a implementação e uso de uma biblioteca em Python que possibilita o usuário aplicar algoritmos de OAM e analisar os resultados. Demonstramos a aplicação da biblioteca em um caso de uso relacionado à pandemia de COVID-19.

Downloads

Download data is not yet available.

Published

2025-04-26

How to Cite

F. SILVA, Rodrigo; GOMES-JR., Luiz. Python OAM: biblioteca de explicabilidade para processos de detecção de outliers. Proceedings of the Meeting on Culture, Software and Free Streaming, Curitiba, Brasil, n. 1, 2025. Disponível em: https://slib.spks.cc/encontro-gec2sl/article/view/5.. Acesso em: 22 nov. 2026.