范数评分器¶

范数异常分数（给定阶数）[1]。

参考

1: https://en.wikipedia.org/wiki/Norm_(mathematics)

class darts.ad.scorers.norm_scorer.NormScorer(ord=None, component_wise=False)[source]¶

基类：AnomalyScorer

范数评分器

返回两个序列值之间给定阶数的逐元素范数。

如果 component_wise 为 False，则在由序列分量组成的向量之间计算范数（每个时间戳一个范数）。

如果 component_wise 为 True，对于任何 ord，这实际上等同于计算差值的绝对值。

评分函数需要两个序列。

如果两个序列是宽度为 w 的多元序列

如果 component_wise 设置为 False：它返回一个单变量序列（宽度=1）。
如果 component_wise 设置为 True：它返回一个宽度为 w 的多元序列。

如果两个序列是单变量的，无论参数 component_wise 如何，它都返回一个单变量序列。

参数

ord – 范数的阶数。选项列在以下网址的“Notes”下：<https://numpy.com.cn/doc/stable/reference/generated/numpy.linalg.norm.html>。默认值：None
component_wise (bool) – 是单独比较两个序列的分量（True），还是联合比较（False）。默认值：False

属性

`is_probabilistic`	评分器是否期望第一个输入是概率预测。
`is_trainable`	评分器是否可训练。
`is_univariate`	评分器是否是单变量评分器。

方法

`eval_metric_from_prediction`(anomalies, ...)	计算 series 和 pred_series 之间的异常分数，并返回一个与阈值无关的指标得分。
`score_from_prediction`(series, pred_series)	计算两个（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，并返回一个与阈值无关的指标得分。

参数

anomalies (Union[TimeSeries, Sequence[TimeSeries]]) – （序列的）真实二进制异常序列（1 表示异常，0 表示非异常）。
series (Union[TimeSeries, Sequence[TimeSeries]]) – （序列的）实际序列。
pred_series (Union[TimeSeries, Sequence[TimeSeries]]) – （序列的）预测序列。
metric (Literal[‘AUC_ROC’, ‘AUC_PR’]) – 要使用的指标函数名称。必须是“AUC_ROC”（受试者工作特征曲线下面积）和“AUC_PR”（从得分计算的平均精度）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 的单个指标值。
Sequence[float] – 以下情况的指标值序列：
- 单个多元 series。
- 单变量 series 序列。
Sequence[Sequence[float]] – 多元 series 序列的指标值序列的序列。外层序列对应于系列，内层序列对应于系列的分量/列。

property is_probabilistic: bool¶

评分器是否期望第一个输入是概率预测。

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¶

评分器是否是单变量评分器。

返回类型: bool

score_from_prediction(series, pred_series)¶

计算两个（序列的）序列的异常分数。

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

参数

series (Union[TimeSeries, Sequence[TimeSeries]]) – （序列的）实际序列。
pred_series (Union[TimeSeries, Sequence[TimeSeries]]) – （序列的）预测序列。

返回

（序列的）异常分数时序

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。

计算两个序列的异常分数。并绘制结果。

图表将包含以下内容

实际序列和预测序列。
评分器的异常分数。
实际异常，如果提供的话。

可以

使用参数 title 为图表添加标题
使用 scorer_name 为评分器提供个性化名称
如果提供了实际异常，则显示异常分数的指标结果（AUC_ROC 或 AUC_PR）。

参数

series (TimeSeries) – 用于可视化异常的实际序列。
pred_series (TimeSeries) – series 的预测序列。
anomalies (Optional[TimeSeries, None]) – 异常的真实值（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]) – 图表的标题
metric (Optional[Literal[‘AUC_ROC’, ‘AUC_PR’], None]) – 可选地，要使用的指标函数名称。必须是“AUC_ROC”（受试者工作特征曲线下面积）和“AUC_PR”（从得分计算的平均精度）之一。默认值：“AUC_ROC”。
component_wise (bool) – 如果为 True，则在多元异常检测的情况下将单独绘制每个分量。

NLL 泊松评分器

PyOD 评分器