quais tecnicas posso utilizar para encontrar outliers em uma base de dados
- User
quais tecnicas posso utilizar para encontrar outliers em uma base de dados
- Assistant
Existem diversas técnicas que você pode utilizar para identificar outliers em uma base de dados. A escolha da técnica ideal vai depender do tipo de dados (univariados ou multivariados), da distribuição dos dados e dos objetivos da análise. A seguir, listo algumas abordagens comuns:
Métodos Univariados
-
Boxplot e Método do IQR (Intervalo Interquartil):
- Como funciona: Calcula-se o primeiro quartil (Q1) e o terceiro quartil (Q3), determina-se o IQR (Q3 - Q1) e define-se limites inferiores e superiores (geralmente Q1 - 1.5×IQR e Q3 + 1.5×IQR). Valores fora desses limites são considerados outliers.
- Vantagem: Fácil de visualizar e implementar.
- Limitação: Pode não capturar relações complexas entre variáveis em dados multivariados.
-
Utilização de Z-Score:
- Como funciona: Calcula-se a média e o desvio padrão dos dados e, para cada valor, calcula-se o z-score. Valores com z-score acima de um determinado limiar (por exemplo, 3 ou -3) são considerados outliers.
- Vantagem: Bom para dados que se aproximam de uma distribuição normal.
- Limitação: Menos eficaz se os dados não forem normalmente distribuídos.
-
Examinar Histogramas e Gráficos de Dispersão (Scatter Plots):
- Como funciona: A visualização gráfica pode ajudar na detecção de comportamentos anômalos ou caudas longas na distribuição dos dados.
- Vantagem: Fornece uma compreensão visual imediata sobre a existência de outliers.
Métodos Multivariados
-
Distância de Mahalanobis:
- Como funciona: Mede a distância de um ponto à média levando em consideração a covariância entre as variáveis. Pontos com distância significativamente alta podem ser considerados outliers.
- Vantagem: Considera a correlação entre variáveis.
- Limitação: Requer que a matriz de covariância seja bem estimada e pode ser sensível a distribuições não normais.
-
Algoritmos Baseados em Vizinhança:
- K-Nearest Neighbors (KNN): Verifica a densidade local dos pontos.
- Local Outlier Factor (LOF): Compara a densidade local de um ponto com a densidade de seus vizinhos; pontos com densidade muito diferente podem ser identificados como outliers.
- Vantagem: Eficaz para detectar outliers em conjuntos de dados com estrutura local complexa.
-
Modelos de Detecção Específicos:
- Isolation Forest: Baseia-se na ideia de que outliers são mais fáceis de "isolar" em estruturas de árvores.
- One-Class SVM: Treinado para reconhecer a "classe normal" dos dados e identificar desvios.
- Vantagem: São capazes de lidar com dados de alta dimensionalidade e distribuições complexas.
-
Técnicas de Clusterização:
- DBSCAN: Além de identificar clusters, pode marcar pontos que não se encaixam bem em nenhum cluster como outliers (ruído).
- Vantagem: Não exige que o número de clusters seja definido previamente e pode detectar outliers como pontos isolados.
Dicas Gerais para a Detecção de Outliers
-
Verificação do Contexto dos Dados:
Nem sempre um valor extremo é um erro – pode representar um caso raro ou uma observação legítima. Avalie se o outlier possui relevância para o seu problema. -
Pré-processamento e Transformação dos Dados:
Em muitos casos, transformar os dados (por exemplo, logaritmicamente) pode ajudar a normalizar a distribuição e facilitar a identificação de valores discrepantes. -
Combinação de Métodos:
Às vezes, utilizar mais de uma técnica e comparar os resultados pode oferecer uma visão mais robusta sobre quais pontos são de fato outliers. -
Validação dos Resultados:
Após a identificação dos outliers, é importante validar se a remoção ou o tratamento desses pontos não prejudica a análise ou gera viés nos modelos preditivos.
Essas são algumas das principais técnicas que podem ser aplicadas para a detecção de outliers. A escolha da abordagem ideal dependerá do conhecimento dos dados e dos objetivos específicos do seu projeto. Experimente diferentes métodos e, se possível, combine-os para obter uma análise mais robusta.
-
- User
como aplicar o método IQR na base
- Assistant
O método do IQR (Intervalo Interquartil) é uma abordagem simples e eficaz para identificar outliers numa base de dados. A ideia é considerar valores que estão abaixo de Q1 - 1.5×IQR ou acima de Q3 + 1.5×IQR como outliers, onde:
- Q1 (primeiro quartil): 25% dos dados estão abaixo desse valor.
- Q3 (terceiro quartil): 75% dos dados estão abaixo desse valor.
- IQR: é a diferença entre Q3 e Q1 (IQR = Q3 - Q1).
Abaixo, vou apresentar um passo a passo para aplicar o método IQR em uma base de dados, utilizando como exemplo o Python com a biblioteca pandas.
Passo a Passo
-
Carregar a Base de Dados
Utilize uma biblioteca como opandaspara ler sua base de dados:import pandas as pd # Exemplo: lendo um arquivo CSV df = pd.read_csv('caminho/para/seu_arquivo.csv') -
Selecionar a Coluna de Interesse
Se for uma análise univariada, escolha a coluna para a qual deseja identificar outliers. Por exemplo:coluna = df['sua_coluna'] -
Calcular os Quartis e o IQR
Calcule Q1, Q3 e em seguida o IQR:Q1 = coluna.quantile(0.25) Q3 = coluna.quantile(0.75) IQR = Q3 - Q1 -
Determinar os Limites Inferior e Superior
Defina os limites considerando 1.5 vezes o IQR:limite_inferior = Q1 - 1.5 * IQR limite_superior = Q3 + 1.5 * IQR -
Identificar os Outliers
Selecionando os dados que estão fora desses limites:outliers = df[(coluna < limite_inferior) | (coluna > limite_superior)] print("Outliers encontrados:") print(outliers) -
Remover ou Tratar os Outliers (Opcional)
Caso deseje trabalhar com os dados sem os outliers, você pode filtrá-los:df_sem_outliers = df[(coluna >= limite_inferior) & (coluna <= limite_superior)]
Aplicando em Múltiplas Colunas
Se você precisar aplicar esse procedimento para mais de uma coluna (por exemplo, todas as colunas numéricas), pode fazer de forma iterativa:
import pandas as pd # Exemplo: lendo o arquivo CSV df = pd.read_csv('caminho/para/seu_arquivo.csv') # Lista para armazenar os dataframes sem outliers para cada coluna df_sem_outliers = df.copy() # Selecionar apenas colunas numéricas colunas_numericas = df.select_dtypes(include=['number']).columns for col in colunas_numericas: Q1 = df[col].quantile(0.25) Q3 = df[col].quantile(0.75) IQR = Q3 - Q1 limite_inferior = Q1 - 1.5 * IQR limite_superior = Q3 + 1.5 * IQR # Removendo linhas que tenham outliers na coluna 'col' df_sem_outliers = df_sem_outliers[(df_sem_outliers[col] >= limite_inferior) & (df_sem_outliers[col] <= limite_superior)] print("Dataframe final sem outliers:") print(df_sem_outliers)
Considerações Importantes
- Contexto dos dados: Antes de remover os outliers, valide se eles realmente são inconsistências ou se podem representar casos reais e importantes para a análise.
- Distribuição dos dados: Em distribuições assimétricas, o método IQR pode remover pontos que, embora pareçam extremos, são parte da variabilidade natural do conjunto.
- Aplicação multivariada: Se você tiver interesse em detectar outliers considerando a interação entre várias variáveis, métodos multivariados (como a distância de Mahalanobis ou técnicas baseadas em vizinhança) podem ser mais adequados.
Seguindo esses passos, você poderá aplicar o método IQR à sua base de dados para identificar (e remover, se necessário) os outliers. Dependendo do seu caso, pode ser útil combinar essa abordagem com outras técnicas de detecção para uma análise mais robusta.
- User
Considerando a query abaixo, como eu posso aplicar IQR para remover outlier na base gerada? with base as ( select d.oid_cartao, a.des_ano_mes, c.des_subsegmento, b.nom_produto as variante, count(distinct a.oid_compra) as frequencia from sicredi_cas_dev.int_mep_mastercard.perfil_abandono_details d inner join sicredi_cas.exp_meios_pagamento.emi_compras_confirmacao a on d.oid_cartao = a.oid_cartao left join sicredi_cas.exp_meios_pagamento.emi_cartoes b on a.oid_cartao = b.oid_cartao left join ( select distinct num_cpf_cnpj, cod_cooperativa, des_segmento, des_subsegmento from sicredi_cas.exp_meios_pagamento.smp_base_associados_nova where etl_partition_dat = '20250501' ) c on a.num_cpf_cnpj = c.num_cpf_cnpj and a.cod_cooperativa = c.cod_cooperativa WHERE a.etl_partition_dat between '20240401' and '20250431' and a.nom_marca <> 'WOOP' and a.nom_bandeira = 'MASTERCARD' and a.des_funcionalidade = 'CREDITO' group by 1,2,3,4 ) select oid_cartao, variante, AVG(CASE WHEN des_ano_mes = '202401' THEN frequencia END) as d202401, AVG(CASE WHEN des_ano_mes = '202402' THEN frequencia END) as d202402, AVG(CASE WHEN des_ano_mes = '202403' THEN frequencia END) as d202403, AVG(CASE WHEN des_ano_mes = '202404' THEN frequencia END) as d202404, AVG(CASE WHEN des_ano_mes = '202405' THEN frequencia END) as d202405, AVG(CASE WHEN des_ano_mes = '202406' THEN frequencia END) as d202406, AVG(CASE WHEN des_ano_mes = '202407' THEN frequencia END) as d202407, AVG(CASE WHEN des_ano_mes = '202408' THEN frequencia END) as d202408, AVG(CASE WHEN des_ano_mes = '202409' THEN frequencia END) as d202409, AVG(CASE WHEN des_ano_mes = '202410' THEN frequencia END) as d202410, AVG(CASE WHEN des_ano_mes = '202411' THEN frequencia END) as d202411, AVG(CASE WHEN des_ano_mes = '202412' THEN frequencia END) as d202412, AVG(CASE WHEN des_ano_mes = '202501' THEN frequencia END) as d202501, AVG(CASE WHEN des_ano_mes = '202502' THEN frequencia END) as d202502, AVG(CASE WHEN des_ano_mes = '202503' THEN frequencia END) as d202503, AVG(CASE WHEN des_ano_mes = '202504' THEN frequencia END) as d202504 --avg(frequencia) as frequencia from base group by 1,2
- Assistant
A ideia principal para aplicar o método IQR na sua base é, antes de agregar os dados, calcular os limites inferior e superior (baseados na coluna que você deseja filtrar, nesse caso a coluna
frequencia) e depois descartar (ou marcar) as linhas cujos valores de frequência estejam fora desses limites. Dependendo do seu SGBD, você poderá utilizar funções de janela ou funções agregadas para obter os percentis necessários.A seguir, apresento um exemplo de como você pode fazer isso. Neste exemplo, vamos assumir que seu SGBD oferece as funções
PERCENTILE_CONTouPERCENTILE_DISC(alguns bancos, como Oracle ou PostgreSQL, possuem versões similares) e que você deseja aplicar o IQR sobre o campofrequenciagerado no CTEbase.
Exemplo de Query com IQR Aplicado
WITH base AS ( SELECT d.oid_cartao, a.des_ano_mes, c.des_subsegmento, b.nom_produto AS variante, COUNT(DISTINCT a.oid_compra) AS frequencia FROM sicredi_cas_dev.int_mep_mastercard.perfil_abandono_details d INNER JOIN sicredi_cas.exp_meios_pagamento.emi_compras_confirmacao a ON d.oid_cartao = a.oid_cartao LEFT JOIN sicredi_cas.exp_meios_pagamento.emi_cartoes b ON a.oid_cartao = b.oid_cartao LEFT JOIN ( SELECT DISTINCT num_cpf_cnpj, cod_cooperativa, des_segmento, des_subsegmento FROM sicredi_cas.exp_meios_pagamento.smp_base_associados_nova WHERE etl_partition_dat = '20250501' ) c ON a.num_cpf_cnpj = c.num_cpf_cnpj AND a.cod_cooperativa = c.cod_cooperativa WHERE a.etl_partition_dat BETWEEN '20240401' AND '20250431' AND a.nom_marca <> 'WOOP' AND a.nom_bandeira = 'MASTERCARD' AND a.des_funcionalidade = 'CREDITO' GROUP BY d.oid_cartao, a.des_ano_mes, c.des_subsegmento, b.nom_produto ), -- Calcula os percentis (Q1 e Q3) para a coluna "frequencia" quantis AS ( SELECT PERCENTILE_CONT(0.25) WITHIN GROUP (ORDER BY frequencia) AS q1, PERCENTILE_CONT(0.75) WITHIN GROUP (ORDER BY frequencia) AS q3 FROM base ), -- Define os limites inferiro e superior baseados em IQR limites AS ( SELECT q1, q3, (q3 - q1) AS iqr, q1 - 1.5 * (q3 - q1) AS limite_inferior, q3 + 1.5 * (q3 - q1) AS limite_superior FROM quantis ) -- Filtra a base removendo os outliers (usando a coluna "frequencia") SELECT b.oid_cartao, b.variante, AVG(CASE WHEN b.des_ano_mes = '202401' THEN b.frequencia END) AS d202401, AVG(CASE WHEN b.des_ano_mes = '202402' THEN b.frequencia END) AS d202402, AVG(CASE WHEN b.des_ano_mes = '202403' THEN b.frequencia END) AS d202403, AVG(CASE WHEN b.des_ano_mes = '202404' THEN b.frequencia END) AS d202404, AVG(CASE WHEN b.des_ano_mes = '202405' THEN b.frequencia END) AS d202405, AVG(CASE WHEN b.des_ano_mes = '202406' THEN b.frequencia END) AS d202406, AVG(CASE WHEN b.des_ano_mes = '202407' THEN b.frequencia END) AS d202407, AVG(CASE WHEN b.des_ano_mes = '202408' THEN b.frequencia END) AS d202408, AVG(CASE WHEN b.des_ano_mes = '202409' THEN b.frequencia END) AS d202409, AVG(CASE WHEN b.des_ano_mes = '202410' THEN b.frequencia END) AS d202410, AVG(CASE WHEN b.des_ano_mes = '202411' THEN b.frequencia END) AS d202411, AVG(CASE WHEN b.des_ano_mes = '202412' THEN b.frequencia END) AS d202412, AVG(CASE WHEN b.des_ano_mes = '202501' THEN b.frequencia END) AS d202501, AVG(CASE WHEN b.des_ano_mes = '202502' THEN b.frequencia END) AS d202502, AVG(CASE WHEN b.des_ano_mes = '202503' THEN b.frequencia END) AS d202503, AVG(CASE WHEN b.des_ano_mes = '202504' THEN b.frequencia END) AS d202504 FROM base b CROSS JOIN limites l -- Aqui filtramos removendo as linhas onde a frequência é considerada outlier WHERE b.frequencia BETWEEN l.limite_inferior AND l.limite_superior GROUP BY b.oid_cartao, b.variante;
Explicação dos Passos
-
CTE
base:
Aqui você gera sua base com a colunafrequenciajá agregada. -
CTE
quantis:
Calcula os percentis 25% (Q1) e 75% (Q3) para o campofrequencia. Usei a funçãoPERCENTILE_CONT, que calcula o percentil contínuo. Caso seu banco possua outra função (comoPERCENTILE_DISC), você pode adaptar. -
CTE
limites:
Com os valores de Q1 e Q3, calcula o IQR (q3 - q1) e define os limites inferior e superior:- Limite Inferior: q1 - 1.5 × IQR
- Limite Superior: q3 + 1.5 × IQR
-
Consulta Final:
Ao fazer umCROSS JOINcom a CTElimites, temos acesso aos limites calculados em todas as linhas da base. Depois, usamos a cláusulaWHEREpara filtrar apenas as linhas cujafrequenciaestá entrelimite_inferiorelimite_superior. Em seguida, agregamos os dados conforme seu agrupamento original.
Considerações Finais
-
Adaptar para seu SGBD:
Dependendo do sistema que você estiver utilizando (Oracle, PostgreSQL, SQL Server, etc.), as funções de percentil podem ter nomes ou sintaxes diferentes. Verifique a documentação do seu banco de dados. -
Campo de Aplicação:
Aqui estamos aplicando o IQR na colunafrequencia. Se você precisar filtrar outliers em outra dimensão ou utilizar outro critério, ajuste os cálculos conforme necessário. -
Validação dos Outliers:
Lembre-se de que remover outliers pode ou não ser desejável dependendo do contexto. Em alguns casos, valores extremos podem representar informações importantes.
Com essa abordagem, você consegue integrar o filtro baseado no método IQR diretamente na query, garantindo que os dados agregados não incluam os outliers definidos pelos limites calculados.
-
- User
ajustar a consulta final para o caso de qualquer valor de d.frequencia ficar fora do limite remover a linha de b.oid_cartao
- Assistant
A ideia é garantir que o card id (ou seja, a linha resultante referente a um determinado
oid_cartao) seja removido se qualquer um dos valores agregados defrequencia(para os diferentes períodos, d202401, d202402, …, d202504) estiver fora dos limites definidos pelo método IQR. Para isso, após calcular os limites (através dos percentis e do IQR) e gerar a agregação poroid_cartao, podemos filtrar (na cláusulaWHERE) apenas as linhas em que cada valor (quando existente) esteja entre os limites inferior e superior.Uma abordagem é separar a agregação dos valores por cartão em uma CTE e, em seguida, realizar o filtro. Observe que para os meses sem observação (quando o valor for
NULL), a condição poderá ser ignorada (ou seja, há a possibilidade de considerarNULLcomo aceitável). Se a regra é exatamente “qualquer valor não nulo fora do intervalo invalida a linha”, podemos escrever as condições conforme abaixo.Veja a consulta ajustada:
WITH base AS ( SELECT d.oid_cartao, a.des_ano_mes, c.des_subsegmento, b.nom_produto AS variante, COUNT(DISTINCT a.oid_compra) AS frequencia FROM sicredi_cas_dev.int_mep_mastercard.perfil_abandono_details d INNER JOIN sicredi_cas.exp_meios_pagamento.emi_compras_confirmacao a ON d.oid_cartao = a.oid_cartao LEFT JOIN sicredi_cas.exp_meios_pagamento.emi_cartoes b ON a.oid_cartao = b.oid_cartao LEFT JOIN ( SELECT DISTINCT num_cpf_cnpj, cod_cooperativa, des_segmento, des_subsegmento FROM sicredi_cas.exp_meios_pagamento.smp_base_associados_nova WHERE etl_partition_dat = '20250501' ) c ON a.num_cpf_cnpj = c.num_cpf_cnpj AND a.cod_cooperativa = c.cod_cooperativa WHERE a.etl_partition_dat BETWEEN '20240401' AND '20250431' AND a.nom_marca <> 'WOOP' AND a.nom_bandeira = 'MASTERCARD' AND a.des_funcionalidade = 'CREDITO' GROUP BY d.oid_cartao, a.des_ano_mes, c.des_subsegmento, b.nom_produto ), -- Calcula os valores de Q1 e Q3 para a coluna "frequencia" em toda a base quantis AS ( SELECT PERCENTILE_CONT(0.25) WITHIN GROUP (ORDER BY frequencia) AS q1, PERCENTILE_CONT(0.75) WITHIN GROUP (ORDER BY frequencia) AS q3 FROM base ), -- Calcula o IQR e os limites baseados em Q1 e Q3 limites AS ( SELECT q1, q3, (q3 - q1) AS iqr, q1 - 1.5 * (q3 - q1) AS limite_inferior, q3 + 1.5 * (q3 - q1) AS limite_superior FROM quantis ), -- Agrega os dados por oid_cartao e calcula a média da frequência para cada período agg AS ( SELECT b.oid_cartao, b.variante, AVG(CASE WHEN b.des_ano_mes = '202401' THEN b.frequencia END) AS d202401, AVG(CASE WHEN b.des_ano_mes = '202402' THEN b.frequencia END) AS d202402, AVG(CASE WHEN b.des_ano_mes = '202403' THEN b.frequencia END) AS d202403, AVG(CASE WHEN b.des_ano_mes = '202404' THEN b.frequencia END) AS d202404, AVG(CASE WHEN b.des_ano_mes = '202405' THEN b.frequencia END) AS d202405, AVG(CASE WHEN b.des_ano_mes = '202406' THEN b.frequencia END) AS d202406, AVG(CASE WHEN b.des_ano_mes = '202407' THEN b.frequencia END) AS d202407, AVG(CASE WHEN b.des_ano_mes = '202408' THEN b.frequencia END) AS d202408, AVG(CASE WHEN b.des_ano_mes = '202409' THEN b.frequencia END) AS d202409, AVG(CASE WHEN b.des_ano_mes = '202410' THEN b.frequencia END) AS d202410, AVG(CASE WHEN b.des_ano_mes = '202411' THEN b.frequencia END) AS d202411, AVG(CASE WHEN b.des_ano_mes = '202412' THEN b.frequencia END) AS d202412, AVG(CASE WHEN b.des_ano_mes = '202501' THEN b.frequencia END) AS d202501, AVG(CASE WHEN b.des_ano_mes = '202502' THEN b.frequencia END) AS d202502, AVG(CASE WHEN b.des_ano_mes = '202503' THEN b.frequencia END) AS d202503, AVG(CASE WHEN b.des_ano_mes = '202504' THEN b.frequencia END) AS d202504 FROM base b GROUP BY b.oid_cartao, b.variante ) SELECT a.oid_cartao, a.variante, a.d202401, a.d202402, a.d202403, a.d202404, a.d202405, a.d202406, a.d202407, a.d202408, a.d202409, a.d202410, a.d202411, a.d202412, a.d202501, a.d202502, a.d202503, a.d202504 FROM agg a CROSS JOIN limites l WHERE -- Para cada coluna de período: se existir (não for null), deve estar dentro dos limites (a.d202401 IS NULL OR (a.d202401 BETWEEN l.limite_inferior AND l.limite_superior)) AND (a.d202402 IS NULL OR (a.d202402 BETWEEN l.limite_inferior AND l.limite_superior)) AND (a.d202403 IS NULL OR (a.d202403 BETWEEN l.limite_inferior AND l.limite_superior)) AND (a.d202404 IS NULL OR (a.d202404 BETWEEN l.limite_inferior AND l.limite_superior)) AND (a.d202405 IS NULL OR (a.d202405 BETWEEN l.limite_inferior AND l.limite_superior)) AND (a.d202406 IS NULL OR (a.d202406 BETWEEN l.limite_inferior AND l.limite_superior)) AND (a.d202407 IS NULL OR (a.d202407 BETWEEN l.limite_inferior AND l.limite_superior)) AND (a.d202408 IS NULL OR (a.d202408 BETWEEN l.limite_inferior AND l.limite_superior)) AND (a.d202409 IS NULL OR (a.d202409 BETWEEN l.limite_inferior AND l.limite_superior)) AND (a.d202410 IS NULL OR (a.d202410 BETWEEN l.limite_inferior AND l.limite_superior)) AND (a.d202411 IS NULL OR (a.d202411 BETWEEN l.limite_inferior AND l.limite_superior)) AND (a.d202412 IS NULL OR (a.d202412 BETWEEN l.limite_inferior AND l.limite_superior)) AND (a.d202501 IS NULL OR (a.d202501 BETWEEN l.limite_inferior AND l.limite_superior)) AND (a.d202502 IS NULL OR (a.d202502 BETWEEN l.limite_inferior AND l.limite_superior)) AND (a.d202503 IS NULL OR (a.d202503 BETWEEN l.limite_inferior AND l.limite_superior)) AND (a.d202504 IS NULL OR (a.d202504 BETWEEN l.limite_inferior AND l.limite_superior));
Explicação
-
CTE
base:
Igual à sua consulta original, gera a base de dados com o cálculo defrequenciapor cartão, mês e demais dimensões. -
CTE
quantiselimites:
Calculam os percentis Q1 e Q3 para a colunafrequenciaem toda a base. Em seguida, define-se o IQR e os limites inferior e superior (Q1 - 1.5×IQR e Q3 + 1.5×IQR). -
CTE
agg:
Agrega os dados poroid_cartao(evariante), calculando a média dafrequenciapara cada período (por exemplo, para '202401', '202402', etc.).
Observação: caso um período não possua registros para um determinado cartão, o resultado seráNULLe, normalmente, consideramos que não há violação do limite. -
Consulta Final:
- Realizamos um
CROSS JOINcom a CTElimitespara ter os valores dos limites disponíveis. - Na cláusula
WHERE, para cada coluna de período, incluímos a condição: ou o valor éNULL(não há dado para aquele período) ou o valor está entre os limites calculados. - Assim, se qualquer valor (não nulo) estiver fora do intervalo, a linha referente a aquele
oid_cartaonão será retornada.
- Realizamos um
Essa abordagem garante que apenas os cartões em que todas as médias mensais (onde houver dado) estejam dentro do intervalo definido pelo IQR sejam mantidos na consulta final.
-
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.