分位数检测器¶

标记超出历史数据某些分位数的异常。这类似于基于阈值的检测器，其中阈值在拟合检测器时计算为历史数据的分位数。

class darts.ad.detectors.quantile_detector.QuantileDetector(low_quantile=None, high_quantile=None)[source]¶

基类: FittableDetector, _BoundedDetectorMixin

分位数检测器

分别标记低于或高于历史数据 low_quantile 和 high_quantile 分位数的值。

如果为 low_quantile 或 high_quantile 提供单个值，则所有时间序列分量都将使用此值。

如果为参数 low_quantile 和/或 high_quantile 提供值序列，则这些序列必须具有与传递给 fit() 的时间序列维度相同的长度，或长度为 1。在后一种情况下，此单个值将用于时间序列的所有分量。

如果 low_quantile 或 high_quantile 为 None，则不会使用相应的边界。但是，两者中至少有一个必须设置。

参数

low_quantile (Union[Sequence[float], float, None]) – 历史数据的分位数（或序列），低于该分位数的值被视为异常。必须介于 0 和 1 之间。如果是序列，必须与应用此检测器的时间序列的维度匹配。
high_quantile (Union[Sequence[float], float, None]) – 历史数据的分位数（或序列），高于该分位数的值被视为异常。必须介于 0 和 1 之间。如果是序列，必须与应用此检测器的时间序列的维度匹配。

属性

high_threshold
low_threshold

方法

`detect`(series[, name])	在给定的时间序列上检测异常。
`eval_metric`(anomalies, pred_scores[, ...])	根据真实异常对结果进行评分。
`fit`(series)	在给定的时间序列上训练检测器。
`fit_detect`(series)	训练检测器并在同一时间序列上检测异常。

detect(series, name='series')¶

在给定的时间序列上检测异常。

参数

返回

二进制预测（如果是异常则为 1，否则为 0）

返回类型

Union[TimeSeries, Sequence[TimeSeries]]

eval_metric(anomalies, pred_scores, window=1, metric='recall')¶

根据真实异常对结果进行评分。

参数

anomalies (Union[TimeSeries, Sequence[TimeSeries]]) – 真实二进制异常时间序列（或序列）（1 表示异常，0 表示非异常）。
pred_scores (Union[TimeSeries, Sequence[TimeSeries]]) – 估计的异常分数时间序列（或序列），指示每个大小为 w 的窗口的异常程度。
window (int) – 整数值，表示 pred_scores 中每个点代表的过去样本数。
metric (Literal[‘recall’, ‘precision’, ‘f1’, ‘accuracy’]) – 要使用的指标函数的名称。必须是“recall”、“precision”、“f1”和“accuracy”之一。默认值：“recall”。

返回

每个异常分数的指标结果

返回类型

Union[float, Sequence[float], Sequence[Sequence[float]]]

fit(series)¶

在给定的时间序列上训练检测器。

参数: series (Union[TimeSeries, Sequence[TimeSeries]]) – 用于训练检测器的时间序列（或序列）。
返回: 已拟合的检测器。
返回类型: self

fit_detect(series)¶

训练检测器并在同一时间序列上检测异常。

参数: series (Union[TimeSeries, Sequence[TimeSeries]]) – 用于训练并检测异常的时间序列。
返回: 二进制预测（如果是异常则为 1，否则为 0）
返回类型: Union[TimeSeries, Sequence[TimeSeries]]

四分位距 (IQR) 检测器

阈值检测器