異常檢測(cè)工具包識(shí)別出不同于輸入數(shù)據(jù)集其他部分的數(shù)據(jù)點(diǎn),每個(gè)數(shù)據(jù)點(diǎn)向異常檢測(cè)模型傳遞一個(gè)異常值(從0到無(wú)窮)一描述這個(gè)點(diǎn)的異常程度,值越大,異常程度越高,每個(gè)模型都給一個(gè)閾值(threshold )來(lái)判定這個(gè)點(diǎn)算不算異常點(diǎn),這個(gè)閾值給用戶(hù)來(lái)自定義.
這個(gè)異常檢測(cè)工具包包含3個(gè)模型
- Local Outlier Factor（LOF）是基于密度的經(jīng)典算法,針對(duì)于具有多個(gè)特征和獨(dú)立觀測(cè)值的數(shù)據(jù)集
- moving Z-score 用于連續(xù)數(shù)據(jù)(通常是一個(gè)時(shí)間序列)
- bayesian changepoints 貝葉斯變點(diǎn) 用于識(shí)別單變量數(shù)據(jù)的變化
這三個(gè)數(shù)據(jù)適用于非監(jiān)督問(wèn)題,如果您不確定要使用哪個(gè)模型啡省，那么創(chuàng)建函數(shù)將根據(jù)數(shù)據(jù)集的模式自動(dòng)選擇娜睛。
creating an anomaly detection model
create 創(chuàng)建一個(gè)異常分析模型
local outlier factor 局部異常因子
local_outlier_factor.create 創(chuàng)建一個(gè)局部異常因子模型
local_outlier_factor.get_default_options() 返回模型的參數(shù)信息
local_outlier_factor.LocalOutlierFactorModel(state={}) 局部異常因子模型
其余兩個(gè)模型類(lèi)似
