시계열의 이상 탐지를위한 좋은 패키지 찾기


17

시계열의 이상 탐지에 사용할 수있는 포괄적 인 오픈 소스 패키지 (Python 또는 R)가 있습니까?

scikit-learn에는 하나의 클래스 SVM 패키지가 있지만 시계열 데이터는 아닙니다. 예를 들어 이상 감지를 위해 베이지안 네트워크를 사용하는보다 정교한 패키지를 찾고 있습니다.


하나 써야 돼 !! : P
Arpit Sisodia

답변:


19

나는 여기에 조금 늦었다는 것을 알고 있지만, 이상 조합 프레임 워크와 함께 이상 감지를위한 패키지가 있습니다.

그것은 여전히 ​​github에서 초기 개발 단계에 있으며 곧 JMLR에 게시 될 것입니다.

패키지는 파이썬 언어이며 패키지 이름은 pyod ( https://github.com/yzhao062/Pyod )입니다.

개별 접근 방식을 따르는 여러 알고리즘이 있습니다.

  1. 이상치 탐지를위한 선형 모형 ( PCA, vMCD, vOne-Class 및 SVM )
  2. 근접성 기반 이상치 탐지 모델 ( LOF, CBLOF, HBOS, KNN, AverageKNN 및 MedianKNN )
  3. 이상치 탐지에 대한 확률 모델 ( ABOD 및 FastABOD )
  4. 특이 치 앙상블 및 조합 프레임 워크 ( IsolationForest 및 FeatureBagging )
  5. 신경망 및 딥 러닝 모델 ( 완전히 연결된 신경망을 갖춘 자동 인코더 )

마지막으로 시계열 자체를 구체적으로 찾고 있다면 github 링크가 유용합니다.

시계열 이상치 탐지를위한 다음 목록 패키지가 있습니다.

datastream.io

지평선

반 페이

이상 감지


상황에 따른 이상을 처리 할 수있는 방법이 있습니까?
Arpit Sisodia 10

이상 감지 또는 이상치 감지에 대해 이야기하고 있습니까? 차이가 있습니다.
Arpit Sisodia 10

6

시계열 이상을 처리하는 방법에는 여러 가지가 있습니다.

1) 이상이 알려진 경우 분류 모델을 작성하십시오. 이 모델을 사용하여 시계열 데이터에 대해 동일한 유형의 비정상을 감지하십시오.

2) 비정상을 알 수없는 경우 조직에서 수행 한 작업은 군집과 분류의 조합입니다.

먼저 LOF / K- 평균 / 쿡 거리를 사용하여 특이 치를 식별합니다. 이제 2 개의 클래스 (Outliers와 normals)를 가지므로 전체 데이터를 분류 문제로 변환하십시오. 이제 분류 모델을 작성하고 규칙 (분류 모델)을 가져와 런타임시 이상을 식별하십시오 (시계열 데이터).

3) 비정상을 알 수없는 경우 , 내 연구 중에 비정상을 식별하는 가장 일반적인 방법은 정상 모델을 작성하고 정상 모델과의 편차 (오류)가 비정상적이므로 ur의 경우 다음 시간의 시계열을 예측 한 다음 비교하십시오. 실제 값으로. 오류가 예상보다 많은 경우 비정상적인 상태입니다.

파이썬이나 R에서 직접 패키지를 찾을 수 없었습니다. 누구나 비정상적인 것이 무엇인지 알지 못했기 때문에 : P, 모든 경우에 이상 값 감지와 관련이 있습니다.

유용한 링크

https://machinelearningstories.blogspot.com/2018/12/easiest-way-of-detection-abnormality.html

https://machinelearningstories.blogspot.com/2018/07/anomaly-detection-anomaly-detection-by.html


2

선지자 도서관 사용해보기

선지자 는 비선형 추세가 연도 별, 주별 및 일일 계절 성과 함께 휴일 효과를 더하는 가산 모델을 기반으로 시계열 데이터를 예측하는 절차입니다. 계절 효과가 강하고 여러 계절의 과거 데이터가있는 시계열에 가장 적합합니다. 예언자는 누락 된 데이터와 추세의 변화에 ​​강력하며 일반적으로 특이 치를 잘 처리합니다.

추가 정보 : Prophet 라이브러리를 사용하여 시계열에서 이상 감지

당사 사이트를 사용함과 동시에 당사의 쿠키 정책개인정보 보호정책을 읽고 이해하였음을 인정하는 것으로 간주합니다.
Licensed under cc by-sa 3.0 with attribution required.