Passa al contenuto principale

IoT Anomaly Detection — ML Pipeline

Pipeline ML per il rilevamento di anomalie in dati IoT tramite clustering, feature engineering temporale e ottimizzazione della soglia.

Inizia dalla documentazione →Codice su GitHub

Risultati di riferimento

Metriche misurate sul holdout test set dopo tuning K-fold del modello vincente.

F1 anomalie
0.340
test set
ROC-AUC
0.879
test set
PR-AUC
0.315
test set

Cosa trovi in questa documentazione

Ogni sezione è autocontenuta. Leggi nell'ordine se vuoi una progressione didattica, oppure salta direttamente all'argomento che ti serve.

Teoria, spiegata bene

Cinque articoli su anomaly detection unsupervised, clustering KMeans/GMM, feature engineering temporale, soglia ottimale e prevenzione del leakage.

Esplora la teoria

Pipeline production-ready

Codice modulare in Python con scikit-learn, feature engineering time-aware, clustering, soglia su percentile, persistenza joblib, CLI iot-detect.

Vedi l'architettura

Trade-off documentati

Ogni scelta è motivata: perché KMeans + GMM, come scegliere la soglia, come gestire il drift, dove sono i limiti del modello.

Leggi le decisioni