一个可扩展的无监督异常点检测框架（异常检测）
suod的Python项目详细描述
Deployment&Documentation&Stats
因此，SUOD被提议在三个互补的层次上解决这个挑战：随机投影（data level）、伪监督近似（model level）和平衡并行调度（系统级）。 如前所述，关键在于当出现大量异常检测器时，加速训练和预测，同时保持预测能力。 自2019年1月成立以来，SUOD已成功应用于各种学术研究和行业应用，包括PyOD [2]和IQVIA医疗索赔分析。在
SUOD的特点是：
- Unified api、详细文档和示例，以便于使用。在
- 尽可能使用JIT和并行化来优化性能，使用numba和joblib。在
- 与PyOD中的模型完全兼容。在
- 可定制的模块和灵活的设计：每个模块都可以打开/关闭，或者完全由自定义函数代替。在
fromsuod.models.baseimportSUOD# initialize a set of base outlier detectors to train and predict onbase_estimators=[LOF(n_neighbors=5,contamination=contamination),LOF(n_neighbors=15,contamination=contamination),LOF(n_neighbors=25,contamination=contamination),HBOS(contamination=contamination),PCA(contamination=contamination),OCSVM(contamination=contamination),KNN(n_neighbors=5,contamination=contamination),KNN(n_neighbors=15,contamination=contamination),KNN(n_neighbors=25,contamination=contamination)]# initialize a SUOD model with all features turned onmodel=SUOD(base_estimators=base_estimators,n_jobs=6,# number of workersrp_flag_global=True,# global flag for random projectionbps_flag=True,# global flag for balanced parallel schedulingapprox_flag_global=False,# global flag for model approximationcontamination=contamination)model.fit(X_train)# fit all models with Xmodel.approximate(X_train)# conduct model approximation if it is enabledpredicted_labels=model.predict(X_test)# predict labelspredicted_scores=model.decision_function(X_test)# predict scorespredicted_probs=model.predict_proba(X_test)# predict outlying probability
如果您在科学出版物中使用SUOD，我们将非常感谢您引用以下论文：
@inproceedings{zhao2020suod,
author = {Zhao, Yue and Ding, Xueying and Yang, Jianing and Haoping Bai},
title = {{SUOD}: Toward Scalable Unsupervised Outlier Detection},
journal = {Workshops at the Thirty-Fourth AAAI Conference on Artificial Intelligence},
year = {2020}
}
^{pr2}$
目录：
安装
建议使用pip进行安装。请确保 安装了最新版本，因为suod经常更新：
pip install suod # normal install pip install --upgrade suod # or update if needed pip install --pre suod # or include pre-release version for new features
或者，您可以克隆并运行设置.py文件：
git clone https://github.com/yzhao062/suod.git
cd suod
pip install .
必需的依赖项：
- Python 3.5、3.6或3.7
- 作业库
- 数量=1.13
- pandas（可选，用于构建成本预测模型）
- 皮奥德
- scipy>；=0.19.1
- scikit_learn>；=0.19.1
Python 2上的注释： Python2.7的维护将于2020年1月1日停止（参见official announcement）。 为了与Python变更和suod的依赖库保持一致，例如scikit learn， ^{str1}$SUOD只支持python3.5+，我们鼓励您使用 Python3.5或更高版本以获取最新的函数和错误修复。更多信息可以 在Moving to require Python 3找到。在
API备忘单和参考
完整的API引用：（https://suod.readthedocs.io/en/latest/api.html）。在
- fit（X，y）：拟合估计量。y对于无监督方法是可选的。在
- approximate（X）：使用有监督的模型来近似无监督的基检测器。首先应该调用Fit。在
- predict（X）：对特定sampl进行预测一旦估计量被拟合。在
- predict_proba（X）：一旦估计量被拟合，就预测属于每个类的样本的概率。在
示例
所有三个模块都可以分别执行，演示代码位于/examples/module\uexamples/{M1_RP、M2_BPS和M3_PSA}。 例如，您可以导航到/M1_RP/demo_random_投影.py. 演示代码都以“Demo\*.py”开头。在
完整框架的示例可以在/examples文件夹下找到；run“demo_基准.py“为了 一个简化的例子。运行“演示_完整.py“一个完整的例子。在
值得注意的是，使用多个可用的内核可以获得最佳性能。在
随时为未来的更新出演：）
参考文献
| [1] | Johnson, W.B. and Lindenstrauss, J., 1984. Extensions of Lipschitz mappings into a Hilbert space. Contemporary mathematics, 26(189-206), p.1. |
- 项目
标签：
欢迎加入QQ群-->： 979659372
