anomaly_detection

# 异常检测 Aeon 提供了用于识别时间序列中异常模式的检测方法，支持序列级和集合级分析。 ## 集合异常检测器 检测集合中的异常时间序列： - `ClassificationAdapter` - 用于异常检测的分类器适配器 - 在正常数据上训练，在预测期间标记离群值 - **适用场景**：拥有已标记的正常数据，且希望使用基于分类的方法 - `OutlierDetectionAdapter` - 封装 sklearn 离群值检测器 - 适用于 IsolationForest, LOF, OneClassSVM - **适用场景**：希望在集合上使用 sklearn 异常检测器 ## 序列异常检测器 检测单个时间序列内的异常点或子序列。 ### 基于距离的方法 使用相似度度量来识别异常： - `CBLOF` - 基于聚类的局部离群因子 - 对数据进行聚类，根据聚类属性识别离群值 - **适用场景**：异常形成稀疏簇时 - `KMeansAD` - 基于 K-means 的异常检测 - 到最近聚类中心的距离指示异常 - **适用场景**：正常模式聚类效果良好时 - `LeftSTAMPi` - 左侧 STAMP 增量算法 - 用于在线异常检测的矩阵概貌 (Matrix profile) - **适用场景**：流式数据，需要在线检测时 - `STOMP` - 可扩展时间序列有序搜索矩阵概貌 - 计算子序列异常的矩阵概貌 - **适用场景**：不和谐点发现、基序检测 - `MERLIN` - 基于矩阵概貌的方法 - 高效的矩阵概貌计算 - **适用场景**：大规模时间序列，需要可扩展性时 - `LOF` - 适用于时间序列的局部离群因子 - 基于密度的离群值检测 - **适用场景**：低密度区域的异常 - `ROCKAD` - 基于 ROCKET 的半监督检测 - 使用 ROCKET 特征进行异常识别 - **适用场景**：拥有部分标记数据，希望使用基于特征的方法 ### 基于分布的方法 分析统计分布： - `COPOD` - 基于 Copula 的离群值检测 - 对边际分布和联合分布进行建模 - **适用场景**：多维时间序列，复杂的依赖关系 - `DWT_MLEAD` - 离散小波变换多级异常检测 - 将序列分解为频带 - **适用场景**：特定频率下的异常 ### 基于隔离的方法 使用隔离原则： - `IsolationForest` - 基于随机森林的隔离 - 异常比正常点更容易被隔离 - **适用场景**：高维数据，对数据分布无假设时