异常检测方法，特别是时间序列异常检测，广泛应用于多种场景。本文聚焦时间序列异常检测的实施流程，包括预处理（处理样本不平衡问题，如使用SMOTE过采样），特征提取（利用滑动窗口、对比特征和统计特征），以及模型训练（IsolationForest、随机森林和深度学习模型）。预处理中的过采样策略和特征提取的统计与对比特征有助于提高异常样本的辨识度。
异常检测方法
异常点检测(Outlier detection)，又称为离群点检测，是找出与预期对象的行为差异较大的对象的一个检测过程。这些被检测出的对象被称为异常点或者离群点。异常点检测在生产生活中有着广泛应用，比如信用卡反欺诈、工业损毁检测、广告点击反作弊等。
根据不同异常检测问题分类：
- 时间序列法：移动平均，同比和环比，时序指标异常检测(STL+GESD)
- 统计法： 单特征且符合高斯分布，多个不相关特征且均符合高斯分布，多个特征相关且符合多元高斯分布
- 距离法：基于角度的异常点检测，基于KNN的异常点检测
- 线性方法：矩阵分解和PCA降维
本文主要介绍时间序列异常检测的具体实施流程：
将这类异常检测作为二分类问题来处理，按照机器学习流程分为四个阶段：预处理，特征提取，模型训练和最后的异常检测。
预处理：
在预处理过程中，我们首先面对的一个挑战是样本极度不平衡，这也是异常检测问题的主要特点。如图所示，在本次竞赛中，异常样本比例只有2%，远远低于正常样本。
如何避免呢，常用的有两种方式来使得不同类别样本比例相对平衡
- 下采样:
对训练集里面样本数量较多的类别（多数类）进行欠采样，抛弃一些样本来缓解类不平衡。 - 过采样:
最低0.47元/天 解锁文章
650
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
