# Wykrywanie anomalii i nowości

EN: **Outlier and novelty detection** · id `anomalydetection`

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Uczenie maszynowe](https://aiatlasgraph.com/t/ml.md) › [Prognozy i anomalie](https://aiatlasgraph.com/t/timeseries.md) › Wykrywanie anomalii i nowości

## Description

- PL: Znajdowanie przykładów, które nie pasują do reszty danych (outliery) albo do tego, co model widział wcześniej (nowości), np. oszustw, awarii czy nietypowych odczytów.
- EN: Finding examples that do not fit the rest of the data (outliers) or what the model has seen before (novelties), e.g. fraud, failures or unusual readings.

## In one sentence

- PL: To wskazywanie przykładów, które nie pasują do reszty danych lub wcześniejszych obserwacji.
- EN: This flags examples that do not fit the rest of the data or earlier observations.

## Problem it solves

- PL: Nietypowe zdarzenia giną w dużej liczbie zwykłych odczytów i trudno ręcznie wychwycić każde z nich.
- EN: Unusual events get lost among many ordinary readings, making each one hard to spot manually.

## What it does

- PL: Porównuje nowe przypadki z otoczeniem lub wyuczonym wzorcem i oznacza odstępstwa do sprawdzenia; nietypowość sama nie dowodzi awarii ani oszustwa.
- EN: It compares cases with neighbours or a learned pattern and flags departures for checking; being unusual alone does not establish failure or fraud.

## Everyday example

- PL: Czujnik urządzenia pokazuje drgania inne niż zwykle; system zwraca uwagę na odczyt, a człowiek sprawdza jego przyczynę.
- EN: Equipment vibrations differ from the usual pattern; a system flags the reading and a person checks its cause.

## This concerns you if you…

- PL: masz wiele odczytów i szukasz nietypowych przypadków
- PL: chcesz kierować uwagę na zdarzenia wymagające sprawdzenia
- EN: have many readings and seek unusual cases
- EN: want attention directed to events needing examination

## Keywords

Isolation Forest · Local Outlier Factor · One-Class SVM · anomaly scores · contamination threshold

## How it works

- PL: Model normalnego zachowania wylicza odległość, małą gęstość lub błąd rekonstrukcji i prognozy. Próg oparty na danych kontrolnych wyznacza przypadki do sprawdzenia, z uwzględnieniem kontekstu czasowego i kosztu alarmów.
- EN: A normal-behaviour model computes distance, low density or reconstruction and forecast errors. A threshold based on control data identifies cases for review, considering temporal context and alarm costs.

## Limits

- PL: Rzadkość nie dowodzi awarii ani nadużycia. Zmienny rozkład i niedostępne etykiety utrudniają strojenie progu; częste alarmy mogą przesłaniać ważne zdarzenia.
- EN: Rarity does not prove failure or misuse. Changing distributions and unavailable labels complicate threshold tuning; frequent alarms can obscure important events.

## Key terms

- PL: **score anomalii**: Ocena stopnia nietypowości przykładu względem przyjętego modelu.
- PL: **novelty detection**: Wykrywanie nowych przypadków przy modelu dopasowanym do danych uznanych za normalne.
- EN: **anomaly score**: A measure of example unusualness relative to a chosen model.
- EN: **novelty detection**: Detecting new cases using a model fitted to presumed normal data.

## Know first

- [Rozkłady prawdopodobieństwa (Probability distributions)](https://aiatlasgraph.com/t/distributions.md)
- [Metryki klasyfikacji i regresji (Classification and regression metrics)](https://aiatlasgraph.com/t/classmetrics.md)

## Examples

- PL: Isolation Forest · Local Outlier Factor · One-Class SVM

## Related topics

Untyped, symmetric "see also" links.

- [Analiza EEG i wykrywanie napadów padaczkowych (Deep learning for EEG and seizure detection)](https://aiatlasgraph.com/t/eegai.md)
- [Klasteryzacja gęstościowa (DBSCAN, HDBSCAN) (Density-based clustering)](https://aiatlasgraph.com/t/densityclustering.md)
- [Niezbalansowane klasy i wartości odstające (Class imbalance and outliers)](https://aiatlasgraph.com/t/classimbalance.md)
- [Odsiewanie fałszywych alarmów w obserwacjach zmiennego nieba (Real–bogus classification of astronomical transients)](https://aiatlasgraph.com/t/transientrealbogus.md)
- [Utrzymanie predykcyjne maszyn (Predictive maintenance and prognostics (PHM))](https://aiatlasgraph.com/t/predictivemaint.md)
- [Wykrywanie oszustw płatniczych (Payment fraud detection)](https://aiatlasgraph.com/t/frauddetection.md)
- [Wykrywanie przykładów spoza rozkładu (OOD) (Out-of-distribution detection)](https://aiatlasgraph.com/t/ooddetection.md)
- [Wykrywanie wad uczone tylko na dobrych sztukach (Unsupervised industrial anomaly detection)](https://aiatlasgraph.com/t/unsupdefect.md)
- [Wykrywanie zagrożeń i włamań (Threat and intrusion detection)](https://aiatlasgraph.com/t/threatdetection.md)

## Sources

- [scikit-learn User Guide (version 1.9.1)](<https://scikit-learn.org/stable/user_guide.html>) `sklearn-user-guide` · by scikit-learn developers
- [scikit-learn — 2.7 Novelty and Outlier Detection](<https://scikit-learn.org/stable/modules/outlier_detection.html>) `sklearn-outliers` · by scikit-learn developers

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/anomalydetection · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30