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
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
Analyse SWOT actionnable
Pour la planification stratégique annuelle ou avant une levée de fonds
Analyse des données de stocks et d'inventaire
Analyse complète des données d'inventaire avec classification ABC/XYZ, calcul des seuils et optimisation du BFR.
Analyse de la rétention
Améliorer la rétention utilisateur
Ingénierie de caractéristiques temporelles
Extraire des caractéristiques de colonnes datetime