分别用四种不同的方法对时序序列的异常点检测

原创

已于 2023-05-06 21:34:59 修改 · 372 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#python #机器学习 #sklearn

于 2023-05-06 21:08:55 首次发布

这篇博客介绍了如何使用iForest, LOF, OneClassSVM和DBSCAN四种方法对时序序列（溶解氧数据）进行异常点检测。通过Python的sklearn库实现，详细展示了每种方法的实现步骤、结果分析和可视化，帮助理解异常检测过程。" 133411977,19671186,AI代码生成工具：助力还是挑战程序员的技艺?,"['人工智能', '编程', '代码生成工具', '开发效率', '程序员技能']

运行效果：分别用四种不同的方法对时序序列的异常点检测_哔哩哔哩_bilibili

1.时序数据（是对第四列（Dissolved Oxygen）溶解氧进行异常点检测）

2.四种异常点检测模型

2.1.iForest算法

对水质记录数据集中的溶解氧（Dissolved Oxygen）进行异常检测，并通过 Isolation Forest 算法识别出异常点。

具体流程如下：

导入所需的库和模块，包括 numpy、pandas、matplotlib、sklearn.metrics 中的 roc_auc_score，以及 sklearn.ensemble 中的 IsolationForest。
设置绘图相关的参数。
读取数据集并提取出溶解氧一列。
将溶解氧数据转换成二维数组，以便后续处理。
构建 IsolationForest 模型，并通过 fit 方法拟合数据。
通过 decision_function 方法获得每个数据点的异常程度，并将预测结果保存在 item 变量中。
使用 predict 方法预测每个数据点是否为异常点，并将预测结果保存在 pre 变量中。由于 Isolation Forest 的预测结果是 -1 表示异常点，1 表示正常点，因此将预测结果中的 -1 转换成 0。
计算预测结果与异常程度之间的