2.9.2
ADTK προχωρημένα
Σύνοψη
- Το ADTK μέρος 2 επεκτείνει την ανίχνευση με ανιχνευτές βασισμένους σε παράθυρα και εποχικούς ανιχνευτές για ανωμαλίες με επίγνωση πλαισίου.
- Ο συνδυασμός ανιχνευτών βελτιώνει την ανάκληση για πολύπλοκα μοτίβα που απλά κατώφλια αποτυγχάνουν να εντοπίσουν.
- Η σύγκριση εξόδων ανιχνευτών σε χρονοδιαγράμματα βοηθά στην ευθυγράμμιση της συμπεριφοράς του μοντέλου με τις λειτουργικές απαιτήσεις.
Εισαγωγή #
Η βασική αναβάθμιση στο ADTK μέρος 2 είναι η ανίχνευση με βάση το πλαίσιο: η ίδια τιμή μπορεί να είναι κανονική ή ανώμαλη ανάλογα με τη συμπεριφορά του τοπικού παραθύρου και την εποχικότητα.
Αναλυτική Επεξήγηση #
Ας δοκιμάσουμε ανίχνευση ανωμαλιών χρησιμοποιώντας το Anomaly Detection Toolkit (ADTK). Θα εφαρμόσουμε ανίχνευση ανωμαλιών σε πολυδιάστατα συνθετικά δεδομένα. Αυτή τη φορά, θα εργαστούμε με δεδομένα πολλαπλών διαστάσεων.
import numpy as np
import pandas as pd
from adtk.data import validate_series
s_train = pd.read_csv("./training.csv", index_col="timestamp", parse_dates=True)
s_train = validate_series(s_train)
s_train["value2"] = s_train["value"].apply(lambda v: np.sin(v) + np.cos(v))
s_train
| value | value2 | |
|---|---|---|
| timestamp | ||
| 2014-04-01 00:00:00 | 18.090486 | 0.037230 |
| 2014-04-01 00:05:00 | 20.359843 | 1.058643 |
| 2014-04-01 00:10:00 | 21.105470 | 0.141581 |
| 2014-04-01 00:15:00 | 21.151585 | 0.076564 |
| 2014-04-01 00:20:00 | 18.137141 | 0.103122 |
| ... | ... | ... |
| 2014-04-14 23:35:00 | 18.269290 | 0.288071 |
| 2014-04-14 23:40:00 | 19.087351 | 1.207420 |
| 2014-04-14 23:45:00 | 19.594689 | 1.413067 |
| 2014-04-14 23:50:00 | 19.767817 | 1.401750 |
| 2014-04-14 23:55:00 | 20.479156 | 0.939501 |
4032 rows × 2 columns
from adtk.visualization import plot
plot(s_train)
Σύγκριση Μεθόδων Ανίχνευσης Ανωμαλιών #
Θα εκτελέσουμε ανίχνευση ανωμαλιών χρησιμοποιώντας SeasonalAD. Για άλλες μεθόδους, ανατρέξτε στο Detector.
import matplotlib.pyplot as plt
from adtk.detector import OutlierDetector, PcaAD, RegressionAD
from sklearn.linear_model import LinearRegression
from sklearn.neighbors import LocalOutlierFactor
model_dict = {
"OutlierDetector": OutlierDetector(LocalOutlierFactor(contamination=0.05)),
"RegressionAD": RegressionAD(regressor=LinearRegression(), target="value2", c=3.0),
"PcaAD": PcaAD(k=2),
}
for model_name, model in model_dict.items():
anomalies = model.fit_detect(s_train)
plot(
s_train,
anomaly=anomalies,
ts_linewidth=1,
ts_markersize=3,
anomaly_color="red",
anomaly_alpha=0.3,
curve_group="all",
)
plt.title(model_name)
plt.show()
