GMM-KMeans-for离群值检测：针对一维时间序列数据，采用GMM和K-Means算法进行异常点检测。对于一维时间序列数据，使用GMM和K-means算法检测离群值。-源码

GMM-KMeans异常检测 对于一维时间序列数据，使用GMM和K-means算法检测离群值。对一维时间序列数据，采用GMM和K-Means算法进行异常点检测。

离群值检测：离群值검출모델-源码

离群值检测 离群值

python-异常和对抗实例检测，概念漂移和度量的算法.zip

alibi-detect是一个开源Python库，专注于离群值，对抗性和概念漂移检测。 该软件包旨在涵盖表格数据，图像和时间序列的在线和离线检测器。 离群值检测方法应允许用户识别全局，上下文和集体离群值。 doc：https://docs.seldon.io/projects/alibi-detect/en/stable/index.html

pyodds：端到端离群值检测系统-源码

PyODDS 官方网站： ： PyODDS是一个端对端Python系统，可通过数据库支持进行异常检测。 PyODDS提供离群值检测算法，可以满足不同领域，无数据科学或机器学习背景的用户的需求。 PyODDS提供了在数据库中执行机器学习算法的能力，而无需将数据移出数据库服务器或通过网络。 它还提供对范围广泛的异常检测算法的访问，包括统计分析和基于最新深度学习的方法。 它是由德克萨斯农工大学的开发的。 PyODDS具有以下特点： 全栈服务，支持从基于SQL的轻量级数据库到后端机器学习算法的操作和维护，并提高了吞吐速度； 最先进的异常检测方法，包括具有统一API和详细文档的统计/机器学习

ODWGtools:离群值检测工作组工具箱-源码

ODWG工具 R包，用于与离群值检测工作组相关的常见任务，包括离群值检测，单位转换和时间序列平滑。 浏览文档，为 如何使用此套件 步骤1：安装R 此软件包需要R版本3.5或更高版本。 访问R主页（ ）以获取最新版本。 步骤2：安装R的remotes套件 软件包简化了从GitHub Repositories安装R软件包的过程。 要安装remotes软件包，请打开R并执行以下命令： install.packages( " remotes " ) 步骤3：安装ODWGtools软件包（此存储库） ODWGtools软件包（此存储库）可以通过在R中执行以下命令来安装： remotes :: install_github( " ODWG/ODWGtools " ) 步骤4 ：（可选）安装其他软件包 虽然不是严格要求它们，但ODWGtools软件包可以使用一些其他软件包中的工具： 软件

汽车离群值检测.ipynb

汽车离群值检测.ipynb

论文研究 - 基于鲁棒马氏距离的离群值检测及其应用

古典马氏距离用作检测离群值的方法，并且受离群值影响。 通过快速MCD估计器，提出了一些健壮的马氏距离。 但是，MCD估计器的偏差会随着尺寸的增加而显着增加。 在本文中，我们提出了在高维数据下基于更鲁棒的Rocke估计器的改进的Mahalanobis距离。 数值模拟和实证分析的结果表明，当数据中存在异常值且数据维数很高时，与上述两种方法相比，本文提出的方法能够更好地检测数据中的异常值。

tods:托德斯-源码

TODS：自动化时间序列离群值检测系统 TODS是用于对多元时间序列数据进行异常检测的全栈式自动机器学习系统。 TODS为构建基于机器学习的异常值检测系统提供了详尽的模块，包括：数据处理，时间序列处理，特征分析（提取），检测算法和增强模块。通过这些模块提供的功能包括：通用数据预处理，时间序列数据平滑/转换，从时域/频域提取特征，各种检测算法以及涉及人员的专业知识来校准系统。可以对时间序列数据执行三种常见的离群值检测方案：逐点检测（时间点作为离群值），模式检测（子序列作为离群值）和系统检测（时间序列集作为离群值），以及TODS中提供了各种各样的相应算法。该软件包由。 TODS具有以下特点： Full Sack机器学习系统，支持预处理，特征提取，检测算法以及人在回路接口等详尽的组件。 宽范围的算法的，包括所有的由支持逐点检测算法 ，国家的最先进的图案方式（集体）检测算法，诸如 ， ，以

grpc-python-go：通过gRPC的客户端服务器实现-源码

gRPC和协议缓冲区 介绍 这是使用gRPC进行序列化和传输的客户端服务器实现。 gRPC基础 使用进行序列化。 这意味着您的数据结构被编码为字节并准备传输 使用 tcp协议进行传输，这保证了交付 服务 Go服务将收集指标（虚拟） Python服务将检测异常 Go客户端将通过与Python服务器通信 在gRPC我们定义了一个原型文件，在其中定义了要发送的消息和RPC方法。 我们的方法Detect使用OutliersRequest消息类型作为输入，并使用OutliersResponse消息类型作为输出。 OutliersRequest消息类型是Metric的列表/切片，而OutliersResponse消息类型是找到离群值的索引的列表/切片。 运行说明 创建一个virtualenv python3 -m venv venv 激活它source venv/bin/activate 安装

Credit_Card_Fraud_Detection：使用隔离林，局部离群值因子和SVM-源码

Credit_Card_Fraud_Detection 使用隔离林，局部离群因子和SVM。

python数据处理常用代码---数据预处理.ipynb

python数据处理常用代码---数据预处理，包含博客里的所有代码，共大家练习使用。 python数据处理常用代码---数据预处理，包含博客里的所有代码，共大家练习使用。 python数据处理常用代码---数据预处理，包含博客里的所有代码，共大家练习使用。 python数据处理常用代码---数据预处理，包含博客里的所有代码，共大家练习使用。 python数据处理常用代码---数据预处理，包含博客里的所有代码，共大家练习使用。

luminaire:Luminaire是一个python软件包，提供了ML驱动的解决方案来监视时间序列数据-源码

放手异常检测库 目录 什么是灯具 是一个python软件包，提供了ML驱动的解决方案来监视时间序列数据。 Luminaire提供了几种异常检测和预测功能，这些功能结合了相关和季节性模式以及数据随时间的不可控制的变化。 快速开始 使用pip从安装Luminaire pip install luminaire 在python中导入luminaire模块 import luminaire 请查阅中有关方法和用法的详细说明。 时间序列离群值检测工作流程 灯具异常值检测工作流程可分为3个主要部分： 数据预处理和分析组件 在训练异常检测模型之前，可以调用此组件以准备时间序列。此步骤应用了许多使异常检测更加准确和可靠的方法，包括缺少数据归因，从训练数据中识别和删除最近的异常值，必要的数学转换以及基于最近的更改点的数据截断。它还会生成在培训过程中考虑的配置文件信息（历史更改点，趋势更改等）。 时间序列数

lstm自动编码器以进行异常检测：使用LSTM自动编码器检测异常并对稀有事件进行分类-源码

LSTM异常检测自动编码器 使用LSTM自动编码器检测异常并对稀有事件进行分类。 如此多次，实际上是现实生活中的大多数数据，我们都有不平衡的数据。 数据是我们最感兴趣的事件，很少见，不像正常情况下那么频繁。 例如，在欺诈检测中。 大多数数据是正常情况，无论数据是否已标记，我们都希望检测异常或何时发生欺诈。 处理未标记的数据时，我们通常会使用“异常值检测”方法，例如，基于聚类的局部离群值因子（CBLOF） ，基于直方图的离群值检测（HBOS）等。而标记的数据被视为“分类”问题和分类器，如和。 但是，由于正数据点在数据中很少见，因此该算法发现很难从数据中学到很多东西。 例如，分类器通常最终会在所有情况下都预测为“负”，以实现最佳准确性。 在这里，我们将研究可用于有监督和无监督以及罕见事件分类问题的另一种方法。 长短期记忆自动编码器。

基于质心的离群值检测方法

离群值检测是指检测不符合给定数据集中已建立的正常行为的模式，并且已在各种实际领域中大量使用。 由于其重要的应用，为此开发了许多技术，包括基于分布的离群值检测方法，基于距离的离群值检测方法，基于密度的离群值检测方法和基于聚类的离群值检测方法等。完全令人满意。 基于k均值聚类算法的质心概念，本文提出了一种基于k近邻质心的离群值检测方法，该方法基于全局离群值因子和局部离群值因子，可以提供与现有的竞争性能解决方案。 在合成数据集和真实数据集上进行的实验证明了我们方法的有效性。

python:删除离群值操作(每一行为一类数据)

主要介绍了python:删除离群值操作(每一行为一类数据)，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

论文研究 - 测量全球变暖：使用切片功能时间序列（SFTS）模型的全球和半球平均温度异常预测

在这项研究中，将切片功能时间序列（SFTS）模型应用于全球，北部和南部温度异常。 我们从美国国家航空航天局（NASA）的戈达德空间研究所（GISS）获得了陆地和陆地表面空气和海水的综合温度。 该数据可用于自1880年至今的全球平均数，北半球平均数和南半球平均数（每月，每季度和每年）（更新至2019年3月）。 我们分析了全球地表温度变化，比较了其他分析方法，并解决了有关全球变暖现实的问题。 在上个世纪，我们不仅在全球温度序列中而且在南北半球序列中都检测到离群值。 未来20年的预测是使用SFTS模型获得的。 将这些预测与ARIMA，带有漂移的随机游走和指数平滑状态空间（ETS）模型进行比较。 根据均方根误差（RMSE），平均绝对百分比误差（MAPE）和预测间隔的长度进行比较。

自适应加权一类支持向量机的离群值检测

自适应加权一类支持向量机的离群值检测

基于谱聚类的离群值检测技术

离群检测在许多应用领域中显示出越来越高的实用价值，例如入侵检测，欺诈检测，电子商务中犯罪活动的发现等。 已经开发出许多用于离群值检测的技术，包括基于分布的离群值检测算法，基于深度的离群值检测算法，基于距离的离群值检测算法，基于密度的离群值检测算法和基于聚类的离群值检测。 频谱聚类作为近年来出现的竞争性聚类算法备受关注。 但是，它不能很好地扩展到现代大型数据集。 为了部分规避此缺点，在本文中，我们提出了一种受谱聚类启发的新的异常值检测方法。 我们的算法结合了kNN的概念和频谱聚类技术，通过在特征空间中统计地使用特征值和特征向量的信息，获得异常数据作为离群值。 我们将我们的方法与基于距离的离群值检测方法和基于密度的离群值检测方法的性能进行比较。 实验结果表明，我们的算法可以有效地识别异常值。

eda_utils_py:该软件包专注于处理离群值和缺失值，缩放和关联可视化的任务-源码

eda_utils_py 概述 由于很少有数据准备立即用于机器学习并进行分析，因此该软件包旨在帮助加快清理过程和进行初始探索性​​数据分析（EDA）的速度。 该软件包专注于处理离群值和缺失值，缩放和关联可视化的任务。 安装 $ pip install -i https://test.pypi.org/simple/ eda_utils_py 功能 此软件包中包含的四个功能如下： imputer ：插补缺失值的功能 outlier_identifier ：识别和处理异常值的功能 cor_map ：用于绘制数据cor_map数字列的相关矩阵的函数 scale缩放数据集中数值的函数 我们在Python生态系统中的地位 尽管存在具有类似功能的Python程序包，但该程序包旨在简化这些功能和输出所需的代码量。 具有类似功能的软件包如下： 依存关系 请查看依赖项列表。 用法 eda_utils_py