最小二乘异常检测。
lsanomal的Python项目详细描述
功能
- 与SCIKIT学习包模块兼容
- 概率异常检测模型
- 给定多个内联类时的健壮分类器
- 易于安装和使用
安装
安装lsanomaly的最佳方法是:
pip install lsanomaly
因为lsanomaly需要scikit learn它还需要numpy和scipy 天生的。确保您已成功安装这些软件包,如果 无法安装lsanomaly。
用法
对于那些熟悉scikit learn的人来说,界面是熟悉的,事实上lsanomaly是为与sklearn模块兼容而构建的。下面是lsanomaly的基本用法,以便尽快开始。
配置模型
lsanomaly在给定空init时提供合理的默认参数,或者可以为rho和sigma传递值。值rho控制对异常值的敏感度,sigma确定 边界。可以使用lsanomaly调整这些值以改进结果。
fromlsanomalyimportLSAnomaly# At train time lsanomaly calculates parameters rho and sigmalsanomaly=LSAnomaly()# or alternativelylsanomaly=LSAnomaly(sigma=3,rho=0.1)
培训模型
模型配置好后,训练数据就可以拟合了。
importnumpyasnplsanomaly.fit(np.array([[1],[2],[3],[1],[2],[3]]))
进行预测
既然数据是合适的,我们可能想尝试预测一些不在训练集中的数据。
>>>lsanomaly.predict([0])[0.0]>>>lsanomaly.predict_proba([0])array([[0.5760205,0.4239795]])
文档
即将推出…
历史记录
要查看完整的发行说明,请参见changelog。
许可证
麻省理工学院许可证(MIT)
版权所有(c)2016 John Quinn
特此免费向任何获得 本软件和相关文档文件的副本 “软件”),无限制地处理软件,包括 但不限于使用、复制、修改、合并、发布, 分发、再授权和/或出售软件副本,以及 允许向其提供软件的人员这样做,但须遵守 以下条件:
上述版权公告及本许可公告须包括在内 在软件的所有副本或大部分中。
软件按“原样”提供,不作任何形式的保证 或默示的,包括但不限于 适销性、适合特定目的和不侵权。 在任何情况下都不得