http://bernardotrotta.com/Recent content on Hello there!Hugoen-us<a href="https://creativecommons.org/licenses/by-nc/4.0/" target="_blank" rel="noopener">CC BY-NC 4.0</a>Wed, 01 Apr 2026 11:49:24 +0200http://bernardotrotta.com/about/me/Wed, 01 Apr 2026 11:49:24 +0200http://bernardotrotta.com/about/me/<h1 id="mi-presento">Mi presento</h1> <p>Ciao a tutti, questo è il mio primo blog</p>http://bernardotrotta.com/posts/autoencoder-e-anomaly-detection-per-la-previsione-del-fallimento-aziendale/Tue, 31 Mar 2026 19:30:00 +0000http://bernardotrotta.com/posts/autoencoder-e-anomaly-detection-per-la-previsione-del-fallimento-aziendale/<h2 id="step-1-suddivisione-del-dataset">Step 1: Suddivisione del dataset</h2> <p>La suddivisione del dataset è stata effettuata utilizzando la funzione <code>train_test_split</code> del modulo <code>sklearn.model_selection</code>, dopo aver caricato i dati con la libreria <em>pandas</em>. Il primo passo fondamentale è stato separare i record delle aziende classificate come &ldquo;sane&rdquo; (valore 0 nella colonna <code>class</code>) da quelle in fallimento (valore 1).</p> <p>Il motivo risiede nella natura stessa dell&rsquo;<strong>anomaly detection</strong> tramite autoencoder: il modello deve essere addestrato esclusivamente su dati normali (le aziende sane) per imparare a ricostruire accuratamente la &ldquo;normalità&rdquo;. In questo modo, in fase di test, il modello restituirà un errore di ricostruzione sensibilmente più alto quando incontrerà esempi di aziende prossime alla bancarotta, che verranno quindi identificate come anomalie.</p>