时间序列异常检测（pycaret）

原创

已于 2022-12-12 15:02:40 修改 · 2.1k 阅读

19 ·

CC 4.0 BY-SA版权

文章标签：

#python #时间序列 #异常检测

于 2022-11-29 19:42:36 首次发布

本文介绍了如何使用PyCaret进行时间序列异常检测。首先安装pycaret库，然后通过pycaret.anomaly模块检测异常。文章展示了如何获取并查看支持的所有异常检测模型，并对多个算法进行了测试。通过evaluate_model()和plot_model()函数评估和可视化模型，以便识别异常值。最后，文章提到了模型保存的过程，以iforest模型为例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 获取时间序列数据（官方文档是多特征，本文举例是单特征）

未安装pycaret的先安装：pip install --pre pycaret （也可以pip install pycaret）

2.用pycaret检测异常一般用pycaret.anomaly

pycaret.anomaly的所有功能：
assign_model,
create_model,
deploy_model,
evaluate_model,
get_config,
get_logs,
load_config,
load_model,
models,
plot_model,
predict_model,
pull,
save_config,
save_model,
set_config,
set_current_experiment,
setup,
tune_model,

from pycaret.anomaly import *
setup = setup(df, session_id = 123)

3.获取pycaret支持的所有检测异常模型

models（）

def create_model(
    model: Union[str, Any],
    fraction: float = 0.05,
    verbose: bool = True,
    fit_kwargs: Optional[dict] = None,
    experiment_custom_tags: Optional[Dict[str, Any]] = None,
    **kwargs,
):

"""
This function trains a given model from the model library. All available
models can be accessed using the ``models`` function.

model: str or scikit-learn compatible object
    ID of an model available in the model library or pass an untrained
    model object consistent with scikit-learn API. Estimators available
    in the model library (ID - Name):

    * 'abod' - Angle-base Outlier Detection
    * 'cluster' - Clustering-Based Local Outlier
    * 'cof' - Connectivity-Based Outlier Factor
    * 'histogram' - Histogram-based Outlier Detection
    * 'knn' - k-Nearest Neighbors Detector
    * 'lof' - Local Outlier