差异评分器¶

该评分器简单地计算两个时间序列的元素级差值。如果两个时间序列是多元的，它将返回一个多元时间序列。

class darts.ad.scorers.difference_scorer.DifferenceScorer[源代码]¶

基类: AnomalyScorer

差异评分器

属性

`is_probabilistic`	评分器是否期望将概率预测作为第一个输入。
`is_trainable`	评分器是否可训练。
`is_univariate`	评分器是否为单变量评分器。

方法

`eval_metric_from_prediction`(anomalies, ...)	计算 series 和 pred_series 之间的异常分数，并返回与阈值无关的评估指标分数。
`score_from_prediction`(series, pred_series)	计算两个（时间序列的序列）的异常分数。
`show_anomalies_from_prediction`(series, ...)	绘制评分器的结果。

eval_metric_from_prediction(anomalies, series, pred_series, metric='AUC_ROC')¶

计算 series 和 pred_series 之间的异常分数，并返回与阈值无关的评估指标分数。

参数

anomalies (Union[TimeSeries, Sequence[TimeSeries]]) – (时间序列的序列) 地面真实二元异常时间序列 (1 表示异常，0 表示非异常)。
series (Union[TimeSeries, Sequence[TimeSeries]]) – (时间序列的序列) 实际时间序列。
pred_series (Union[TimeSeries, Sequence[TimeSeries]]) – (时间序列的序列) 预测时间序列。
metric (Literal[‘AUC_ROC’, ‘AUC_PR’]) – 要使用的评估指标函数的名称。必须是 “AUC_ROC” (接收者操作特征曲线下面积) 和 “AUC_PR” (基于分数的平均精确度) 之一。默认值: “AUC_ROC”。

返回类型

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

返回

float – 单个单变量 series 的单个评估指标值。
Sequence[float] – 一系列评估指标值，用于
- 单个多元 series。
- 一系列单变量 series。
Sequence[Sequence[float]] – 一系列多元 series 的一系列评估指标值组成的序列。外层序列对应于时间序列，内层序列对应于时间序列的分量/列。

property is_probabilistic: bool¶

评分器是否期望将概率预测作为第一个输入。

返回类型: bool

property is_trainable: bool¶

评分器是否可训练。

返回类型: bool

property is_univariate: bool¶

评分器是否为单变量评分器。

返回类型: bool

score_from_prediction(series, pred_series)¶

计算两个（时间序列的序列）的异常分数。

如果给定一对时间序列序列，它们必须包含相同数量的时间序列。评分器将独立地对每对时间序列进行评分，并为每对返回一个异常分数。

参数

series (Union[TimeSeries, Sequence[TimeSeries]]) – (时间序列的序列) 实际时间序列。
pred_series (Union[TimeSeries, Sequence[TimeSeries]]) – (时间序列的序列) 预测时间序列。

返回

(时间序列的序列) 异常分数时间序列

返回类型

Union[TimeSeries, Sequence[TimeSeries]]

show_anomalies_from_prediction(series, pred_series, scorer_name=None, anomalies=None, title=None, metric=None, component_wise=False)¶

绘制评分器的结果。

计算两个时间序列的异常分数，并绘制结果。

图将包含以下内容：

时间序列和预测时间序列。
评分器的异常分数。
实际异常（如果提供）。

可以通过以下方式：

使用参数 title 添加图表标题
使用 scorer_name 为评分器指定个性化名称
如果提供了实际异常，则显示异常分数的评估指标结果 (AUC_ROC 或 AUC_PR)。

参数

series (TimeSeries) – 用于可视化异常的实际时间序列。
pred_series (TimeSeries) – series 的预测时间序列。
anomalies (Optional[TimeSeries, None]) – 异常的地面真实值 (1 表示异常，0 表示非异常)
scorer_name (Optional[str, None]) – 评分器的名称。
title (Optional[str, None]) – 图表标题
metric (Optional[Literal[‘AUC_ROC’, ‘AUC_PR’], None]) – （可选）要使用的评估指标函数的名称。必须是 “AUC_ROC” (接收者操作特征曲线下面积) 和 “AUC_PR” (基于分数的平均精确度) 之一。默认值: “AUC_ROC”。
component_wise (bool) – 如果为 True，在多元异常检测的情况下，将单独绘制每个分量。

异常评分器

k-means 评分器