异常检测

aeon.anomaly_detection 模块包含用于时间序列分类的算法和组合工具。

可以使用aeon.utils.discovery.all_estimators工具列出aeon中的所有检测器，使用estimator_types="anomaly-detector"，并可选地通过标签进行过滤。可以通过调用函数aeon.utils.discovery.all_tags_for_estimator列出有效的标签。

本模块中的每个检测器在其文档中指定了其支持的输入数据格式、输出数据格式和学习类型，作为概述表。一些检测器支持多种学习类型。

检测器

CBLOF([n_clusters, clustering_estimator, ...])	用于异常检测的CBLOF。
COPOD([n_jobs, window_size, stride])	COPOD用于异常检测。
DWT_MLEAD([start_level, ...])	DWT-MLEAD异常检测器。
IsolationForest([n_estimators, max_samples, ...])	用于异常检测的孤立森林。
KMeansAD([n_clusters, window_size, stride, ...])	KMeans异常检测器。
LeftSTAMPi([window_size, n_init_train, ...])	LeftSTAMPi 异常检测器。
LOF([n_neighbors, algorithm, leaf_size, ...])	用于异常检测的局部离群因子（LOF）算法。
MERLIN([min_length, max_length, max_iterations])	MERLIN异常检测器。
OneClassSVM([nu, kernel, degree, gamma, ...])	用于异常检测的OneClassSVM。
PyODAdapter(pyod_model[, window_size, stride])	用于在Aeon框架中使用PyOD异常检测模型的适配器。
ROCKAD([n_estimators, n_kernels, normalise, ...])	基于ROCKET的异常检测器（ROCKAD）。
STOMP([window_size, ignore_trivial, ...])	STOMP异常检测器。
STRAY([alpha, k, knn_algorithm, p, ...])	STRAY: 在具有概念漂移的数据流中进行鲁棒异常检测。

基础

BaseAnomalyDetector(axis)

异常检测算法的基类。