异常检测：PyOD工具库（含SUOD库）【包括近30种常见的异常检测算法：ABOD、HBOS、IForest、KNN、LOF、OCSVM、PCA等】【Outlier detection (OD) 】

pyod(Python Outlier Detection)是一个集成了30余种异常检测方法和模型的Python工具箱。从经典的 LOF (SIGMOD 2000) 到近两年的 COPOD (ICDM 2020) 和 SUOD (MLSys 2021) 。

GitHub官网：PyOD

一、pyod概述

特性

• 丰富的模型，从 scikit-learn 中的经典算法，到近期的深度学习算法，以及诸如 COPOD 的新兴算法。
• 兼容 Python2 和 Python3。
• pyod对所涵盖的各种异常检测算法提供了统一的API，便于学习和使用。

异常检测算法基本都是无监督学习，所以只需要X（输入数据），而不需要y（标签）。

PyOD的使用方法和Sklearn中聚类分析很像，它的检测器（detector）均有统一的API。

二、PyOD模型使用

所有的PyOD检测器clf均有统一的API以便使用，完整的API使用参考可以查阅（API CheatSheet - pyod 0.6.8 documentation）：

• fit(X): 用数据X来“训练/拟合”检测器clf。即在初始化检测器clf后，用X来“训练”它。
• fit_predict_score(X, y): 用数据X来训练检测器clf，并预测X的预测值，并在真实标签y上进行评估。此处的y只是用于评估，而非训练
• decision_function(X): 在检测