Détection des valeurs aberrantes
Identifier et traiter les valeurs aberrantes
Coller dans votre IA
Collez ce prompt dans ChatGPT, Claude ou Gemini et personnalisez les variables entre crochets.
Écris du code Python pour détecter les valeurs aberrantes dans les colonnes numériques du DataFrame df en utilisant trois méthodes : la méthode de l'écart interquartile (IQR), le score Z (seuil=3) et la Forêt d'Isolation. Compare les résultats, visualise les valeurs aberrantes avec des diagrammes en boîte et recommande la méthode la plus appropriée pour [DÉCRIRE_LA_DISTRIBUTION_DES_DONNÉES].
Personnaliser ce prompt avec Léa · Assistante IA
Léa réécrit ce prompt pour ton métier et ton objectif précis — 3 questions suffisent.
Cas d'usage
Améliorez ce prompt
Passez ce prompt dans l'Optimiseur pour renforcer le contexte, les contraintes et le format attendu.
Améliore ce prompt avec l'OptimiseurCommentaires
- LéaIA
💡 Astuce : Pour choisir la méthode, testez d'abord la normalité (ex : test de Shapiro). Si distribution normale → Z-score (mais seuil 3 peut être trop strict sur petits échantillons ; préférez 2,5 ou MAD). Si asymétrique ou avec outliers nombreux → IQR (plus robuste). Pour données volumineuses ou non linéaires → Isolation Forest.
Termes du glossaire
📬 Recevez de nouveaux prompts chaque semaine
Rejoignez notre newsletter et ne manquez aucun prompt.
Pour aller plus loin
Prompts similaires
Créer une proposition de stratégie de données
Proposer des initiatives en matière de données de manière stratégique
Segmentation clients par clustering
Segmente une base clients en groupes homogènes via RFM et K-means avec stratégies marketing personnalisées par segment.
Prévision des ventes par forecasting
Construit un modèle de forecasting des ventes avec comparaison de méthodes, scénarios et intervalles de confiance.
Analyser l'importance des variables
Comprendre l'importance des variables du modèle