收藏！14 种异常检测方法总结

最新推荐文章于 2024-02-03 16:02:00 发布
最新推荐文章于 2024-02-03 16:02:00 发布
阅读量399 收藏 8
点赞数
文章标签： python 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_68789096/article/details/131781333
版权

本文收集整理了公开网络上一些常见的异常检测方法（附资料来源和代码）。不足之处，还望批评指正。

一、基于分布的方法

1. 3sigma

基于正态分布，3sigma准则认为超过3sigma的数据为异常点。

图1: 3sigma

def three\_sigma(s):  
    mu, std = np.mean(s), np.std(s)  
    lower, upper = mu\-3\*std, mu+3\*std  
    return lower, upper

2. Z-score

Z-score为标准分数，测量数据点和平均值的距离，若A与平均值相差2个标准差，Z-score为2。当把Z-score=3作为阈值去剔除异常点时，便相当于3sigma。

def z\_score(s):  
  z\_score = (s - np.mean(s)) / np.std(s)  
  return z\_score

3. boxplot

箱线图时基于四分位距（IQR）找异常点的。

图2: boxplot



def boxplot(s):  
    q1, q3 = s.quantile(.25), s.quantile(.75)  
    iqr = q3 - q1  
    lower, upper = q1 - 1.5\*iqr, q3 + 1.5\*iqr  
    return lower, upper

4. Grubbs假设检验

资料来源：

[1] 时序预测竞赛之异常检测算法综述 - 鱼遇雨欲语与余，知乎：https://zhuanlan.zhihu.com/p/336944097

[2] 剔除异常值栅格计算器_数据分析师所需的统计学：异常检测 - weixin_39974030，CSDN：https://blog.csdn.net/weixin_39974030/article/details/112569610

Grubbs’Test为一种假设检验的方法，常被用来检验服从正态分布的单变量数据集（univariate data set）Y中的单个异常值。若有异常值，则其必为数据集中的最大值或最小值。原假设与备择假设如下：

  • H0: 数据集中没有异常值

  • H1: 数据集中有一个异常值

使用Grubbs测试需要总体是正态分布的。算法流程：

1. 样本从小到大排序

2. 求样本的mean和dev

3. 计算min/max与mean的差距，更大的那个为可疑值

4. 求可疑值的z-score (standard score)，如果大于Grubbs临界值，那么就是outlier

Grubbs临界值可以查表得到，它由两个值决定：检出水平α（越严格越小），样本数量n，排除outlier，对剩余序列循环做 1-4 步骤 [1]。详细计算样例可以参考。

from outliers import smirnov\_grubbs as grubbs  
print(grubbs.test(\[8, 9, 10, 1, 9\], alpha=0.05))  
print(grubbs.min\_test\_outliers(\[8, 9, 10, 1, 9\], alpha=0.05))  
print(grubbs.max\_test\_outliers(\[8, 9, 10, 1, 9\], alpha=0.05))  
print(grubbs.max\_test\_indices(\[8, 9, 10, 50, 9\], alpha=0.05))

局限：

1、只能检测单维度数据

2、无法精确的输出正常区间

3、它的判断机制是“逐一剔除”，所以每个异常值都要单独计算整个步骤，数据量大吃不消。

4、需假定数据服从正态分布或近正态分布

二、基于距离的方法

1. KNN

资料来源：

[3] 异常检测算法之(KNN)-K Nearest Neighbors - 小伍哥聊风控，知乎：https://zhuanlan.zhihu.com/p/501691799

依次计算每个样本点与它最近的K个样本的平均距离，再利用计算的距离与阈值进行比较，如果大于阈值，则认为是异常点。优点是不需要假设数据的分布，缺点是仅可以找出全局异常点，无法找到局部异常点。

from pyod.models.knn import KNN  
  
# 初始化检测器clf  
clf = KNN( method='mean', n\_neighbors=3, )  
clf.fit(X\_train)  
# 返回训练数据上的分类标签 (0: 正常值, 1: 异常值)  
y\_train\_pred = clf.labels\_  
# 返回训练数据上的异常值 (分值越大越异常)  
y\_train\_scores = clf.decision\_scores\_

三、基于密度的方法

1. Local Outlier Factor (LOF)

资料来源：

[4] 一文读懂异常检测 LOF 算法（Python代码）- 东哥起飞，知乎：https://zhuanlan.zhihu.com/p/448276009

LOF是基于密度的经典算法（Breuning et. al. 2000），通过给每个数据点都分配一个依赖于邻域密度的离群因子 LOF，进而判断该数据点是否为离群点。它的好处在于可以量化每个数据点的异常程度（outlierness）。

图3：LOF异常检测

数据点 的局部相对密度（局部异常因子）为点 邻域内点的平均局部可达密度跟数据 点 的局部可达密度的比值, 即：

数据点P的局部可达密度=P最近邻的平均可达距离的倒数。距离越大，密度越小。

点P到点O的第k可达距离=max(点O的k近邻距离，点P到点O的距离)。

图4：可达距离

点O的k近邻距离=第k个最近的点跟点O之间的距离。

整体来说，LOF算法流程如下：

  • 对于每个数据点，计算它与其他所有点的距离，并按从近到远排序；

  • 对于每个数据点，找到它的K-Nearest-Neighbor，计算LOF得分。

from sklearn.neighbors import LocalOutlierFactor as LOF  
  
X = \[\[\-1.1\], \[0.2\], \[100.1\], \[0.3\]\]  
clf = LOF(n\_neighbors=2)  
res = clf.fit\_predict(X)  
print(res)  
print(clf.negative\_outlier\_factor\_)

2. Connectivity-Based Outlier Factor (COF)

资料来源：

[5] Nowak-Brzezińska, A., & Horyń, C. (2020). Outliers in rules-the comparision of LOF, COF and KMEANS algorithms. *Procedia Computer Science*, *176*, 1420-1429.

[6] 機器學習_學習筆記系列(98)：基於連接異常因子分析(Connectivity-Based Outlier Factor) - 劉智皓 (Chih-Hao Liu)

COF是LOF的变种，相比于LOF，COF可以处理低密度下的异常值，COF的局部密度是基于平均链式距离计算得到。在一开始的时候我们一样会先计算出每个点的k-nearest neighbor。而接下来我们会计算每个点的Set based nearest Path，如下图：

图5：Set based nearest Path

假使我们今天我们的k=5，所以F的neighbor为B、C、D、E、G。而对于F离他最近的点为E，所以SBN Path的第一个元素是F、第二个是E。离E最近的点为D所以第三个元素为D，接下来离D最近的点为C和G，所以第四和五个元素为C和G，最后离C最近的点为B，第六个元素为B。所以整个流程下来，F的SBN Path为{F, E, D, C, G, C, B}。而对于SBN Path所对应的距离e={e1, e2, e3,…,ek}，依照上面的例子e={3,2,1,1,1}。

所以我们可以说假使我们想计算p点的SBN Path，我们只要直接计算p点和其neighbor所有点所构成的graph的minimum spanning tree，之后我们再以p点为起点执行shortest path算法，就可以得到我们的SBN Path。

而接下来我们有了SBN Path我们就会接着计算，p点的链式距离：

有了ac_distance后，我们就可以计算COF：

# https://zhuanlan.zhihu.com/p/362358580  
from pyod.models.cof import COF  
cof = COF(contamination = 0.06,  ## 异常值所占的比例  
          n\_neighbors = 20,      ## 近邻数量  
        )  
cof\_label = cof.fit\_predict(iris.values) # 鸢尾花数据  
print("检测出的异常值数量为:",np.sum(cof\_label == 1))

3. Stochastic Outlier Selection (SOS)

资料来源：

[7] 异常检测之SOS算法 - 呼广跃，知乎：https://zhuanlan.zhihu.com/p/34438518

将特征矩阵（feature martrix）或者相异度矩阵（dissimilarity matrix）输入给SOS算法，会返回一个异常概率值向量（每个点对应一个）。SOS的思想是：当一个点和其它所有点的关联度（affinity）都很小的时候，它就是一个异常点。

图6：SOS计算流程

SOS的流程：

  1. 计算相异度矩阵D；

  2. 计算关联度矩阵A；

  3. 计算关联概率矩阵B；

  4. 算出异常概率向量。

相异度矩阵D是各样本两两之间的度量距离, 比如欧式距离或汉明距离等。关联度矩阵反映的是 度量距离方差, 如图7, 点 的密度最大, 方差最小; 的密度最小, 方差最大。而关联概率 矩阵 (binding probability matrix)就是把关联矩阵(affinity matrix)按行归一化得到的, 如图 8 所 示。

图7：关联度矩阵中密度可视化

图8：关联概率矩阵

得到了binding probability matrix，每个点的异常概率值就用如下的公式计算，当一个点和其它所有点的关联度（affinity）都很小的时候，它就是一个异常点。

# Ref: https://github.com/jeroenjanssens/scikit-sos  
import pandas as pd  
from sksos import SOS  
iris = pd.read\_csv("http://bit.ly/iris-csv")  
X = iris.drop("Name", axis=1).values  
detector = SOS()  
iris\["score"\] = detector.predict(X)  
iris.sort\_values("score", ascending=False).head(10)

四、基于聚类的方法

1. DBSCAN

DBSCAN算法（Density-Based Spatial Clustering of Applications with Noise）的输入和输出如下，对于无法形成聚类簇的孤立点，即为异常点（噪声点）。

  • 输入：数据集，邻域半径Eps，邻域中数据对象数目阈值MinPts;

  • 输出：密度联通簇。

图9：DBSCAN

处理流程如下：

  1. 从数据集中任意选取一个数据对象点p；

  2. 如果对于参数Eps和MinPts，所选取的数据对象点p为核心点，则找出所有从p密度可达的数据对象点，形成一个簇；

  3. 如果选取的数据对象点 p 是边缘点，选取另一个数据对象点；

  4. 重复以上2、3步，直到所有点被处理。

# Ref: https://zhuanlan.zhihu.com/p/515268801  
from sklearn.cluster import DBSCAN  
import numpy as np  
X = np.array(\[\[1, 2\], \[2, 2\], \[2, 3\],  
              \[8, 7\], \[8, 8\], \[25, 80\]\])  
clustering = DBSCAN(eps=3, min\_samples=2).fit(X)  
  
clustering.labels\_  
array(\[ 0,  0,  0,  1,  1, \-1\])  
# 0，,0，,0：表示前三个样本被分为了一个群  
\# 1, 1：中间两个被分为一个群  
# -1：最后一个为异常点，不属于任何一个群

五、基于树的方法

1. Isolation Forest (iForest)

资料来源：

[8] 异常检测算法 – 孤立森林（Isolation Forest）剖析 - 风控大鱼，知乎：https://zhuanlan.zhihu.com/p/74508141

[9] 孤立森林(isolation Forest)-一个通过瞎几把乱分进行异常检测的算法 - 小伍哥聊风控，知乎：https://zhuanlan.zhihu.com/p/484495545

[10] 孤立森林阅读 - Mark_Aussie，博文：https://blog.csdn.net/MarkAustralia/article/details/120181899

孤立森林中的 “孤立” (isolation) 指的是 “把异常点从所有样本中孤立出来”，论文中的原文是 “separating an instance from the rest of the instances”。

我们用一个随机超平面对一个数据空间进行切割，切一次可以生成两个子空间。接下来，我们再继续随机选取超平面，来切割第一步得到的两个子空间，以此循环下去，直到每子空间里面只包含一个数据点为止。我们可以发现，那些密度很高的簇要被切很多次才会停止切割，即每个点都单独存在于一个子空间内，但那些分布稀疏的点，大都很早就停到一个子空间内了。所以，整个孤立森林的算法思想：异常样本更容易快速落入叶子结点或者说，异常样本在决策树上，距离根节点更近。

随机选择m个特征，通过在所选特征的最大值和最小值之间随机选择一个值来分割数据点。观察值的划分递归地重复，直到所有的观察值被孤立。

图10：孤立森林

获得 t 个孤立树后，单棵树的训练就结束了。接下来就可以用生成的孤立树来评估测试数据了，即计算异常分数 s。对于每个样本 x，需要对其综合计算每棵树的结果，通过下面的公式计算异常得分：

  • h(x)：为样本在iTree上的PathLength；

  • E(h(x))：为样本在t棵iTree的PathLength的均值；

  • : 为 个样本构建一个二叉搜索树BST中的末成功搜索平均路径长度 (均值h(x)对外部节点终端的估计等同于BST中的末成功搜索）。 是对样本x的路径长度 进行标准化处理。 是调和数, 可使用 (欧拉常数) 估算。

指数部分值域为(−∞,0)，因此s值域为(0,1)。当PathLength越小，s越接近1，此时样本为异常值的概率越大。

\# Ref：https://zhuanlan.zhihu.com/p/484495545  
from sklearn.datasets import load\_iris   
from sklearn.ensemble import IsolationForest  
  
data = load\_iris(as\_frame=True)   
X,y = data.data,data.target   
df = data.frame   
  
# 模型训练  
iforest = IsolationForest(n\_estimators=100, max\_samples='auto',    
                          contamination=0.05, max\_features=4,    
                          bootstrap=False, n\_jobs=\-1, random\_state=1)  
  
#  fit\_predict 函数 训练和预测一起 可以得到模型是否异常的判断，-1为异常，1为正常  
df\['label'\] = iforest.fit\_predict(X)   
  
# 预测 decision\_function 可以得出 异常评分  
df\['scores'\] = iforest.decision\_function(X)

六、基于降维的方法

1. Principal Component Analysis (PCA)

资料来源：

[11] 机器学习-异常检测算法（三）：Principal Component Analysis - 刘腾飞，知乎：https://zhuanlan.zhihu.com/p/29091645

[12] Anomaly Detection异常检测–PCA算法的实现 - CC思SS，知乎：https://zhuanlan.zhihu.com/p/48110105

PCA在异常检测方面的做法，大体有两种思路：

(1) 将数据映射到低维特征空间，然后在特征空间不同维度上查看每个数据点跟其它数据的偏差；

(2) 将数据映射到低维特征空间，然后由低维特征空间重新映射回原空间，尝试用低维特征重构原始数据，看重构误差的大小。

PCA在做特征值分解，会得到：

  • 特征向量：反应了原始数据方差变化程度的不同方向；

  • 特征值：数据在对应方向上的方差大小。

所以，最大特征值对应的特征向量为数据方差最大的方向，最小特征值对应的特征向量为数据方差最小的方向。原始数据在不同方向上的方差变化反应了其内在特点。如果单个数据样本跟整体数据样本表现出的特点不太一致，比如在某些方向上跟其它数据样本偏离较大，可能就表示该数据样本是一个异常点。

在前面提到第一种做法中，样本的异常分数为该样本在所有方向上的偏离程度：

其中, 为样本在重构空间里离特征向量的距离。若存在样本点偏离各主成分越远, 会越大, 意味偏移程度大, 异常分数高。 是特征值, 用于归一化, 使不同方向上的偏离程度具有可比性。

在计算异常分数时，关于特征向量（即度量异常用的标杆）选择又有两种方式：

  • 考虑在前k个特征向量方向上的偏差：前k个特征向量往往直接对应原始数据里的某几个特征，在前几个特征向量方向上偏差比较大的数据样本，往往就是在原始数据中那几个特征上的极值点。

  • 考虑后r个特征向量方向上的偏差：后r个特征向量通常表示某几个原始特征的线性组合，线性组合之后的方差比较小反应了这几个特征之间的某种关系。在后几个特征方向上偏差比较大的数据样本，表示它在原始数据里对应的那几个特征上出现了与预计不太一致的情况。

得分大于阈值C则判断为异常。

第二种做法，PCA提取了数据的主要特征，如果一个数据样本不容易被重构出来，表示这个数据样本的特征跟整体数据样本的特征不一致，那么它显然就是一个异常的样本：

其中, 是基于 维特征向量重构的样本。

基于低维特征进行数据样本的重构时，舍弃了较小的特征值对应的特征向量方向上的信息。换一句话说，重构误差其实主要来自较小的特征值对应的特征向量方向上的信息。基于这个直观的理解，PCA在异常检测上的两种不同思路都会特别关注较小的特征值对应的特征向量。所以，我们说PCA在做异常检测时候的两种思路本质上是相似的，当然第一种方法还可以关注较大特征值对应的特征向量。

# Ref: \[https://zhuanlan.zhihu.com/p/48110105\](https://zhuanlan.zhihu.com/p/48110105)  
from sklearn.decomposition import PCA  
pca = PCA()  
pca.fit(centered\_training\_data)  
transformed\_data = pca.transform(training\_data)  
y = transformed\_data  
  
# 计算异常分数  
lambdas = pca.singular\_values\_  
M = ((y\*y)/lambdas)  
  
# 前k个特征向量和后r个特征向量  
q = 5  
print "Explained variance by first q terms: ", sum(pca.explained\_variance\_ratio\_\[:q\])  
q\_values = list(pca.singular\_values\_ < .2)  
r = q\_values.index(True)  
  
# 对每个样本点进行距离求和的计算  
major\_components = M\[:,range(q)\]  
minor\_components = M\[:,range(r, len(features))\]  
major\_components = np.sum(major\_components, axis=1)  
minor\_components = np.sum(minor\_components, axis=1)  
  
# 人为设定c1、c2阈值  
components = pd.DataFrame({'major\_components': major\_components,   
                               'minor\_components': minor\_components})  
c1 = components.quantile(0.99)\['major\_components'\]  
c2 = components.quantile(0.99)\['minor\_components'\]  
  
# 制作分类器  
def classifier(major\_components, minor\_components):    
    major = major\_components > c1  
    minor = minor\_components > c2      
    return np.logical\_or(major,minor)  
  
results = classifier(major\_components=major\_components, minor\_components=minor\_components)

2. AutoEncoder

资料来源：

[13] 利用Autoencoder进行无监督异常检测(Python) - SofaSofa.io，知乎：https://zhuanlan.zhihu.com/p/46188296

[14] 自编码器AutoEncoder解决异常检测问题（手把手写代码） - 数据如琥珀，知乎：https://zhuanlan.zhihu.com/p/260882741

PCA是线性降维，AutoEncoder是非线性降维。根据正常数据训练出来的AutoEncoder，能够将正常样本重建还原，但是却无法将异于正常分布的数据点较好地还原，导致还原误差较大。因此如果一个新样本被编码，解码之后，它的误差超出正常数据编码和解码后的误差范围，则视作为异常数据。需要注意的是，AutoEncoder训练使用的数据是正常数据（即无异常值），这样才能得到重构后误差分布范围是多少以内是合理正常的。所以AutoEncoder在这里做异常检测时，算是一种有监督学习的方法。

图11：自编码器

# Ref: \[https://zhuanlan.zhihu.com/p/260882741\](https://zhuanlan.zhihu.com/p/260882741)  
import tensorflow as tf  
from keras.models import Sequential  
from keras.layers import Dense  
  
# 标准化数据  
scaler = preprocessing.MinMaxScaler()  
X\_train = pd.DataFrame(scaler.fit\_transform(dataset\_train),  
                              columns=dataset\_train.columns,  
                              index=dataset\_train.index)  
# Random shuffle training data  
X\_train.sample(frac=1)  
X\_test = pd.DataFrame(scaler.transform(dataset\_test),  
                             columns=dataset\_test.columns,  
                             index=dataset\_test.index)  
  
tf.random.set\_seed(10)  
act\_func = 'relu'  
# Input layer:  
model=Sequential()  
# First hidden layer, connected to input vector X.  
model.add(Dense(10,activation=act\_func,  
                kernel\_initializer='glorot\_uniform',  
                kernel\_regularizer=regularizers.l2(0.0),  
                input\_shape=(X\_train.shape\[1\],)  
               )  
         )  
model.add(Dense(2,activation=act\_func,  
                kernel\_initializer='glorot\_uniform'))  
model.add(Dense(10,activation=act\_func,  
                kernel\_initializer='glorot\_uniform'))  
model.add(Dense(X\_train.shape\[1\],  
                kernel\_initializer='glorot\_uniform'))  
model.compile(loss='mse',optimizer='adam')  
print(model.summary())  
  
# Train model for 100 epochs, batch size of 10:  
NUM\_EPOCHS=100  
BATCH\_SIZE=10  
history=model.fit(np.array(X\_train),np.array(X\_train),  
                  batch\_size=BATCH\_SIZE,  
                  epochs=NUM\_EPOCHS,  
                  validation\_split=0.05,  
                  verbose = 1)  
  
plt.plot(history.history\['loss'\],  
         'b',  
         label='Training loss')  
plt.plot(history.history\['val\_loss'\],  
         'r',  
         label='Validation loss')  
plt.legend(loc='upper right')  
plt.xlabel('Epochs')  
plt.ylabel('Loss, \[mse\]')  
plt.ylim(\[0,.1\])  
plt.show()  
  
# 查看训练集还原的误差分布如何，以便制定正常的误差分布范围  
X\_pred = model.predict(np.array(X\_train))  
X\_pred = pd.DataFrame(X\_pred,  
                      columns=X\_train.columns)  
X\_pred.index = X\_train.index  
  
scored = pd.DataFrame(index=X\_train.index)  
scored\['Loss\_mae'\] = np.mean(np.abs(X\_pred-X\_train), axis = 1)  
plt.figure()  
sns.distplot(scored\['Loss\_mae'\],  
             bins = 10,  
             kde= True,  
            color = 'blue')  
plt.xlim(\[0.0,.5\])  
  
# 误差阈值比对，找出异常值  
X\_pred = model.predict(np.array(X\_test))  
X\_pred = pd.DataFrame(X\_pred,  
                      columns=X\_test.columns)  
X\_pred.index = X\_test.index  
threshod = 0.3  
scored = pd.DataFrame(index=X\_test.index)  
scored\['Loss\_mae'\] = np.mean(np.abs(X\_pred-X\_test), axis = 1)  
scored\['Threshold'\] = threshod  
scored\['Anomaly'\] = scored\['Loss\_mae'\] > scored\['Threshold'\]  
scored.head()

七、基于分类的方法

1. One-Class SVM

资料来源：

[15] Python机器学习笔记：One Class SVM - zoukankan，博文：http://t.zoukankan.com/wj-1314-p-10701708.html

[16] 单类SVM: SVDD - 张义策，知乎：https://zhuanlan.zhihu.com/p/65617987

One-Class SVM，这个算法的思路非常简单，就是寻找一个超平面将样本中的正例圈出来，预测就是用这个超平面做决策，在圈内的样本就认为是正样本，在圈外的样本是负样本，用在异常检测中，负样本可看作异常样本。它属于无监督学习，所以不需要标签。

图12：One-Class SVM

One-Class SVM又一种推导方式是SVDD（Support Vector Domain Description，支持向量域描述），对于SVDD来说，我们期望所有不是异常的样本都是正类别，同时它采用一个超球体，而不是一个超平面来做划分，该算法在特征空间中获得数据周围的球形边界，期望最小化这个超球体的体积，从而最小化异常点数据的影响。

假设产生的超球体参数为中心 o 和对应的超球体半径r>0，超球体体积V®被最小化，中心o是支持行了的线性组合；跟传统SVM方法相似，可以要求所有训练数据点xi到中心的距离严格小于r。但是同时构造一个惩罚系数为C的松弛变量 ζi，优化问题入下所示：

C是调节松弛变量的影响大小，说的通俗一点就是，给那些需要松弛的数据点多少松弛空间，如果C比较小，会给离群点较大的弹性，使得它们可以不被包含进超球体。详细推导过程参考资料[15] [16]。

from sklearn import svm  
# fit the model  
clf = svm.OneClassSVM(nu=0.1, kernel='rbf', gamma=0.1)  
clf.fit(X)  
y\_pred = clf.predict(X)  
n\_error\_outlier = y\_pred\[y\_pred == \-1\].size

八、基于预测的方法

资料来源：

[17] 【TS技术课堂】时间序列异常检测 - 时序人，文章：https://mp.weixin.qq.com/s/9TimTB_ccPsme2MNPuy6uA

对于单条时序数据，根据其预测出来的时序曲线和真实的数据相比，求出每个点的残差，并对残差序列建模，利用KSigma或者分位数等方法便可以进行异常检测。具体的流程如下：

图13：基于预测的方法

九、总结

异常检测方法总结如下：

如果你也喜欢编程，想通过学习Python获取更高薪资，这里给大家分享一份Python学习资料。

😝朋友们如果有需要的话，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

👉CSDN大礼包🎁：全网最全《Python学习资料》免费分享（安全链接，放心点击）👈

1️⃣零基础入门

① 学习路线

对于从来没有接触过Python的同学，我们帮你准备了详细的学习成长路线图。可以说是最科学最系统的学习路线，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
在这里插入图片描述

② 路线对应学习视频

还有很多适合0基础入门的学习视频，有了这些视频，轻轻松松上手Python~
在这里插入图片描述

③练习题

每节视频课后，都有对应的练习题哦，可以检验学习成果哈哈！
在这里插入图片描述

2️⃣国内外Python书籍、文档

① 文档和书籍资料

在这里插入图片描述

3️⃣Python工具包+项目源码合集

①Python工具包

学习Python常用的开发软件都在这里了！每个都有详细的安装教程，保证你可以安装成功哦！
在这里插入图片描述

②Python实战案例

光学理论是没用的，要学会跟着一起敲代码，动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。100+实战案例源码等你来拿！
在这里插入图片描述

③Python小游戏源码

如果觉得上面的实战案例有点枯燥，可以试试自己用Python编写小游戏，让你的学习过程中增添一点趣味！
在这里插入图片描述

4️⃣Python面试题

我们学会了Python之后，有了技能就可以出去找工作啦！下面这些面试题是都来自阿里、腾讯、字节等一线互联网大厂，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。
在这里插入图片描述
在这里插入图片描述

5️⃣Python兼职渠道

而且学会Python以后，还可以在各大兼职平台接单赚钱，各种兼职渠道+兼职注意事项+如何和客户沟通，我都整理成文档了。
在这里插入图片描述

上述所有资料 ⚡️ ，朋友们如果有需要的，可以扫描下方👇👇👇二维码免费领取🆓

Python_魔力猿
关注
  • 0
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Local Outlier Factor（LOF）异常检测算法一维DEMO
03-26
LOF异常检测算法一维DEMO, 找了好久没有找到，自己写了一个，可以帮助理解概念
在envi做随机森林_异常检测怎么做，试试孤立随机森林算法（附代码）
weixin_39828715的博客
11-20 1009
异常检测看似是机器学习中一个有些难度的问题，但采用合适的算法也可以很好解决。本文介绍了孤立森林（isolation forest）算法，通过介绍原理和代码教你揪出数据集中的那些异常值。选自blog.paperspace，作者：Dhiraj K，机器之心编译，参与：李诗萌、一鸣。从银行欺诈到预防性的机器维护，异常检测是机器学习中非常有效且普遍的应用。在该任务中，孤立森林算法是简单而有效的选择。本文内...
异常检测(Anomaly Detection)
barret的博客
02-03 1009
异常检测(Anomaly Detection)的学习
异常检测（anomaly detection）
热门推荐
天泽28的专栏
05-20 5万+
异常检测（anomaly detection） 关于异常检测（anomaly detection）本文主要介绍一下几个方面： 异常检测定义及应用领域常见的异常检测算法高斯分布（正态分布）异常检测算法评估异常检测算法异常检测VS监督学习如何选择使用features多元高斯分布多元高斯分布在异常检测上的应用 一、异常检测定义及应用领域 先来看什么是异常检测？所谓异常检测就是发现与大
异常检测算法
学习笔记
02-28 557
异常检测 异常检测的特点，异常检测的训练样本没有或者少量的正样本（异常样本），正负样本比例非常不均衡的情况。 异常检测可以采用三种处理方式： 当做分类问题处理 当做聚类问题处理 采用概率分布问题处理 分类算法 由于异常检测的特殊性，在将异常检测当做分类算法处理时，由于样本分布不均的情况，很难得到一个行之有效的算法，因此在使用时应该尽量扩充样本的数量，尤其正向样本的数量，同时，获取尽可能多的特征...
面向卫星电源系统的一种新颖异常检测方法-论文
05-21
面向卫星电源系统的一种新颖异常检测方法
异常检测.xmind；异常检测定义，常见方法总结
03-01
异常检测定义，常见方法总结
一种基于特征的交通异常检测方法
05-18
有鉴于此，我们提出了一种基于特征的交通异常检测（FBTAD）方法。 一个关键的观察结果是，这些事件发生的路段往往会在短时间内改变其车辆的流量特性。 例如，交通事故可能会立即显着降低道路段的行驶速度。 在本文...
异常检测常用的方法及算法
最新发布
03-14
基于统计：基于泊松分布、正态分布找到异常分布点。 　基于距离：K-means。 　基于密度：KNN、LOF（Local Outlier Factor）、隔离森 林。 　一类支持向量机（One-Class SVM）。 　隐马尔可夫模型（HMM）。
Python异常的检测和处理方法
12-25
捕获异常 # 对数字变量使用append操作 a = 123 a.apppend(4) 执行这个程序时，会抛出： AttributeError: 'int' object has no attribute 'apppend' 我们使用try:except语句进行捕获。 # 捕获异常 a = 123 try: ...
【Python数据分析基础】: 异常值检测和处理
weixin_34187862的博客
08-08 1549
作者：xiaoyu 微信公众号：Python数据科学 知乎：python数据分析师 上一篇分享了关于数据缺失值处理的一些方法，链接如下： 【Python数据分析基础】: 数据缺失值处理 本篇继续分享数据清洗中的另一个常见问题：异常值检测和处理。 1 什么是异常值？ 在机器学习中，异常检测和处理是一个比较小的分支，或者说，是机器学习的一个副产物，因为在一般的预测问题中，模型通常是对整体样本数据结...
异常检测—算法篇
weixin_43880935的博客
07-08 1万+
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...
（机器学习）异常检测算法
weixin_41798111的博客
03-11 321
异常检测算法流程： 异常检测与监督学习的差异： 多元高斯模型和原始模型之间的区别？ 原始模型使用较多，若存在特征相关情况可以采用x1/x2方式；计算成本较低；有较小的相关性训练集也没有问题。 多元高斯模型，使用较少，在捕捉特征间的关系有优势；需要计算sigma的逆矩阵，计算量较大；有样本数量大于特征数量的限制，保证sigma矩阵可逆（同PCA） 原始模型相乘也可以看做是...
异常检测
pingchuan2012的专栏
10-12 535
目标：发现和大部分其他对象不同对象。 挑战： 难以定义一个涵盖所有正常行为的规则。 某些异常行为为了不被发现常常表现得和正常行为很像。 在许多领域正常行为也是不断变化的，现在的正常行为不代表以后也是正常的。 用于训练的标记数据的可用性是一个重要因素。 数据异常难以检测和区分。
设计一种API调用参数异常检测方法
05-10
API调用参数异常检测方法可以分为以下几个步骤： 1. 定义API的参数规范：首先需要定义API的参数规范，包括参数类型、参数长度、参数格式等等，以确保API调用的参数符合规范。 2. 参数类型检测：对于API的每个参数，需要进行类型检测，以确保传入的参数类型与API规范一致。 3. 参数长度检测：对于字符串类型的参数，需要进行长度检测，以确保传入的参数长度符合API规范。 4. 参数格式检测：对于特定格式的参数，如日期、邮箱等，需要进行格式检测，以确保传入的参数格式正确。 5. 参数值域检测：对于数值类型的参数，需要进行值域检测，以确保传入的参数值在API规范的范围内。 6. 异常处理：当检测到参数异常时，需要给出相应的错误提示，包括参数类型错误、参数长度错误、参数格式错误、参数值域错误等等。 综上所述，API调用参数异常检测方法需要从多个方面对API的参数进行检测，以确保API调用的参数符合规范。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值