一个用于异常检测的紧凑的Python工具箱。
anomatools的Python项目详细描述
醇
anomatools是一个小Python包，包含最近的异常检测算法。
异常检测致力于从给定（大型）数据集中检测异常或异常数据点。
该软件包包含两种最先进的（2018年和2020年）半监督和两种非监督异常检测算法。在
安装
使用以下命令直接从PyPi安装包：
pip install anomatools
或者使用setup.py文件安装包：
或者直接从GitHub自身安装：
pip install git+https://github.com/Vincent-Vercruyssen/anomatools.git@master
内容及用途
半监督异常检测
给定一个具有属性X和标签Y的数据集，该数据集指示数据点是normal还是{em1}$异常，半监督异常检测算法使用所有实例^{str1}$X和一些标签{em1}$Y训练。
半监督异常检测方法通常优于无监督方法，因为它们可以使用标签信息来修正无监督检测过程所依据的假设。
anomatools包实现了两种最新的半监督异常检测算法：
- SSDO（离群值半监督检测）算法首先计算一个无监督的先验异常分数，然后用已知的标签信息修正该分数[1]。在
- SSkNNO（半监督k近邻异常检测）算法是著名的kNN分类器和kNNO（k-最近邻离群值检测）方法的组合[2]。在
给定一个训练数据集X_train，标签为Y_train，以及一个测试数据集X_test，算法的应用如下：
fromanomatools.modelsimportSSkNNO,SSDO# traindetector=SSDO()detector.fit(X_train,Y_train)# predictlabels=detector.predict(X_test)
同样，也可以计算X_检验中每个点正常或异常的概率：
probabilities=detector.predict_proba(X_test,method='squash')
有时我们对检测培训数据中的异常感兴趣（例如，当我们进行事后分析时）：
# traindetector=SSDO()detector.fit(X_train,Y_train)# predictlabels=detector.labels_
无监督异常检测：
当检测数据集中的异常时，无监督异常检测器不使用标签信息（用户反馈）。给定一个具有属性X和标签Y的数据集，无监督检测器仅使用X进行训练。
anomatools包实现了两种最新的半监督异常检测算法：
- kNNO（k-最近邻离群值检测）算法计算每个数据点的异常分数，作为到数据集[3]中k-最近邻居的距离。在
- iNNE（isolation nearest neighbor ensembles）算法根据每个数据点与其余数据的隔离程度大致计算异常分数[4]。在
给定一个训练数据集X_train，标签为Y_train，以及一个测试数据集X_test，算法的应用如下：
fromanomatools.modelsimportkNNO,iNNE# traindetector=kNNO()detector.fit(X_train,Y_train)# predictlabels=detector.predict(X_test)
包装结构
异常检测算法位于：anomatools/models/
有关如何使用这些算法的更多示例，请参阅笔记本：anomatools/notebooks/
依赖关系
anomatools包需要安装以下python包：
联系人
请与包的作者联系：vincent.vercruyssen@kuleuven.be
参考文献
[1]Vercruyssen，V.，Meert，W.，Verbruggen，G.，Maes，K.，Bäumer，R.，Davis，J.（2018）半监督异常检测及其在水分析中的应用。IEEE国际数据挖掘会议（ICDM），Sin盖博。p527--536页。在
[2]Vercruyssen，V.，Meert，W.，Davis，J.（2020）$通过局部和无监督实例选择进行异常检测的转移学习。美国人工智能协会人工智能会议，纽约。在
- 项目
标签：
欢迎加入QQ群-->： 979659372
