Detección de Anomalías — 3 Métodos

# Descripción

Detección de anomalías (anomaly detection) comparando 3 métodos no supervisados sobre un dataset sintético de 2.100 muestras (2.000 normales + 100 anomalías, 4.8%) con 8 features. Métodos: (1) Isolation Forest — 200 árboles de aislamiento que aíslan outliers en pocas particiones (Accuracy 0.9794, Precision 0.7742, Recall 0.8000, F1 0.7869, ROC-AUC 0.9814). (2) One-Class SVM — frontera RBF con kernel gamma='scale' y nu=0.05 (Accuracy 0.9429, Precision 0.4423, Recall 0.7667, F1 0.5610, ROC-AUC 0.9559). (3) Autoencoder en PyTorch — red 8→12→4 (latente)→12→8 con Tanh, 50 épocas, umbral basado en P95 del MSE de reconstrucción (Accuracy 0.9476, Precision 0.4737, Recall 0.9000, F1 0.6207, ROC-AUC 0.9796). Ganador global: Isolation Forest (F1 0.7869, ROC-AUC 0.9814) ofrece el mejor balance precisión-recall general. El Autoencoder captura el 90% de anomalías (Recall más alto) pero con más falsos positivos. One-Class SVM, aunque más débil en este dataset, ofrece entendimiento del contorno de datos normales. 9 visualizaciones: distribuciones por feature, matrices de confusión, curvas ROC, curvas PR, pérdida de entrenamiento AE, histograma de error de reconstrucción, proyección t-SNE y tabla resumen comparativa.

$ ./deploy.sh $ git clone

# Características principales

$ 3 métodos de detección de anomalías no supervisada comparados en igualdad de condiciones

$ Isolation Forest: 200 árboles de aislamiento, Accuracy 0.9794, F1 0.7869, ROC-AUC 0.9814

$ Autoencoder en PyTorch: red 8→4→8 entrenada 50 épocas, umbral P95 MSE

$ One-Class SVM: frontera RBF de una clase, gamma='scale', nu=0.05

$ Dataset sintético: 2.100 muestras, 8 features, 4.8% anomalías conocidas

$ 9 visualizaciones: distribuciones, matrices de confusión, ROC, PR, t-SNE, error AE, tabla

$ Métricas completas: Accuracy, Precision, Recall, F1, ROC-AUC para cada método

$ Análisis del trade-off sensibilidad-especificidad: AE captura 90% anomalías pero más FP

# Galería

Terminal del proyecto