fossa 0.0.3

4.1   Data Format

所有异常检测器被设计为接收具有两个级别的多索引的适合参数A^ {TT2}$DATAFRAME，每个窗口的第一索引时间和第二索引类别/主题频率，以及数字dType的单个列，给出所述频率。

当检测到趋势时，会返回一个包含检测结果的类似索引数据帧，给出每个时间窗口和类别的检测到的趋势。

4.2   API

fossa中的所有异常检测器对象都具有相同的api:

• fit-接收要训练的时间窗口分布的历史，并将检测器放在上面（具体格式请参见Data Format部分）。类别集可能在不同的时间窗口或历史和时间窗口之间不同，以便进行检测；检测是为了在所有委员会和新的时间窗口上合并类别。
• partial_fit-与fit相同，但也可以递增地适合已经适合的检测器，而不必忽略所有过去适合的数据。调用此方法时，不支持增量拟合的检测器将引发NotImplementedError异常。
• detect_trends-接收一个新的数据帧（格式正确），并在其中的每个时间窗口中检测每个类别的趋势。除了指示趋势方向的direction列（下行趋势为-1，无趋势为0，上行趋势为1）之外，返回的数据帧还可能包含详细说明检测可信度或概率的其他列，如p值或提交的投票结果。
• predict-类似于detect_trends，但返回的数据帧始终只包含检测到的趋势方向的一列。

4.3   Anomaly Detectors

卡方检测器

这一系列异常检测器的工作原理都是相似的：每个检测器都将新的时间窗口与一组表示其对相关历史和数据特征行为的想法的组合窗口进行比较；一个检测器可能在几个星期内查看同一工作日的同一小时，而另一个检测器可能查看最后的10天或20天，或是几个小时。

对于给定给detect_trends或predict方法的每个时间窗口，将为窗口中的每个类别生成一对所有分布（并且可能是标准化的，具体取决于特定检测器及其初始化参数）。然后，对于每个分布，在每个提交时间窗口中，在其与相应分布之间执行卡方检验。每个委员会成员对是否检测到趋势进行“投票”，并通过一些预先设置的投票规则（例如，多数票）生成决策。

5.1   Installing for development

克隆：

git clone git@github.com:shaypal5/fossa.git

以开发模式安装，包括测试依赖项：

cd fossa
pip install -e '.[test]'

5.2   Running the tests

要运行测试，请使用：

cd fossa
pytest