首页
快速入门
用户指南
API 参考
示例
发布说明
GitHub
Twitter
异常检测
异常聚合器
AND 聚合器
集成 scikit-learn 聚合器
OR 聚合器
异常模型
过滤异常模型
预测异常模型
异常检测器
四分位距 (IQR) 检测器
分位数检测器
阈值检测器
异常评分器
差分评分器
k-means 评分器
NLL Cauchy 评分器
NLL Exponential 评分器
NLL Gamma 评分器
NLL Gaussian 评分器
NLL Laplace 评分器
NLL Poisson 评分器
范数评分器
PyOD 评分器
Wasserstein 评分器
异常检测工具
数据处理
动态时间规整 (DTW)
动态时间规整 (DTW)
DTW 窗口
时间轴编码器
编码器基类
时间轴编码器
数据转换器
数据转换器基类
Box-Cox 转换器
差分转换器
可拟合数据转换器基类
可逆数据转换器基类
映射器和可逆映射器
混合数据采样 (MIDAS) 转换器
缺失值填充器
分层协调
定标器
静态协变量转换器
窗口转换器
管道
数据集
可解释性
可解释性结果
Shap 解释器 (用于回归模型)
TFT 解释器 (用于时序融合 Transformer (TFTModel))
指标
指标
模型
过滤模型
高斯过程
卡尔曼滤波
移动平均
预测模型
ARIMA
基线模型
块循环神经网络
CatBoost 模型
保形模型
D-Linear
指数平滑
快速傅里叶变换
全局基线模型 (朴素)
卡尔曼滤波预测器
LightGBM 模型
线性回归模型
N-BEATS
N-HiTS
N-Linear
Facebook Prophet
随机森林
回归集成模型
回归模型
循环神经网络
AutoARIMA
AutoCES
AutoETS
AutoMFLES
AutoTBATS
AutoTheta
Croston 方法
StatsForecast 模型
TBATS
时序卷积网络
时序融合 Transformer (TFT)
Theta 方法
时序密集编码器 (TiDE)
Transformer 模型
时序 Mixer (TSMixer)
VARIMA
XGBoost 模型
工具
时序数据集
基于预测范围的训练数据集
推理数据集
序列训练数据集
移位训练数据集
训练数据集基类
似然模型
RegressionModel
的似然
StatsForecast
模型的似然
TorchForecastingModel
的似然
PyTorch 损失函数
缺失值填充工具
模型选择工具
时序统计
时序生成工具
PyTorch 及其使用工具
附加工具函数
附加工具函数
时序
darts
¶
异常检测
数据处理
数据集
可解释性
指标
模型
工具
时序
上一篇
常见问题
下一篇
异常检测