分位数检测器¶

标记超出历史数据某些分位数的异常。这与基于阈值的检测器类似，其中阈值在检测器拟合时作为历史数据的分位数计算。

class darts.ad.detectors.quantile_detector.QuantileDetector(low_quantile=None, high_quantile=None)[源代码]¶

基类：FittableDetector, _BoundedDetectorMixin

分位数检测器

标志值，分别低于或高于历史数据的 low_quantile 和 high_quantile 分位数。

如果为 low_quantile 或 high_quantile 提供了一个单一值，则该值将用于序列的所有组成部分。

如果为参数 low_quantile 和/或 high_quantile 提供了值序列，它们的长度必须相同，匹配传递给 fit() 的序列的维度，或者长度为 1。在后一种情况下，这个单一值将用于序列的所有组成部分。

如果 low_quantile 或 high_quantile 为 None，则对应的边界将不会被使用。但是，这两个中的至少一个必须被设置。

参数

low_quantile (Union[Sequence[float], float, None]) – （序列的）历史数据的分位数，低于该值的值被视为异常。必须在0和1之间。如果是序列，必须与该检测器应用的序列的维度匹配。
high_quantile (Union[Sequence[float], float, None]) – （序列的）历史数据的分位数，高于此值的值被视为异常。必须在0到1之间。如果是序列，必须与该检测器应用的序列的维度匹配。

属性

高阈值
低阈值

方法

`detect`(series[, name])	检测给定时间序列中的异常。
`eval_metric`(anomalies, pred_scores[, ...])	根据真实异常对结果进行评分。
`fit`(series)	在给定的时间序列上训练检测器。
`fit_detect`(series)	在同一序列上训练检测器并检测异常。

detect(series, name='series')¶

检测给定时间序列中的异常。

参数

返回

二元预测（如果被视为异常则为1，否则为0）

返回类型

Union[TimeSeries, Sequence[TimeSeries]]

eval_metric(anomalies, pred_scores, window=1, metric='recall')¶

根据真实异常对结果进行评分。

参数

anomalies (Union[TimeSeries, Sequence[TimeSeries]]) – 地面真值二进制异常序列（1 表示异常，0 表示正常）。
pred_scores (Union[TimeSeries, Sequence[TimeSeries]]) – 估计的异常分数序列（序列），指示每个大小为 w 的窗口的异常程度。
window (int) – 整数值，表示 pred_scores 中每个点代表的过去样本数量。
metric (Literal[‘recall’, ‘precision’, ‘f1’, ‘accuracy’]) – 要使用的度量函数名称。必须是以下之一：“recall”、“precision”、“f1”和“accuracy”。默认值：“recall”。

返回

每个异常分数的指标结果

返回类型

Union[float, Sequence[float], Sequence[Sequence[float]]]

fit(series)¶

在给定的时间序列上训练检测器。

参数: series (Union[TimeSeries, Sequence[TimeSeries]]) – 用于训练检测器的时间（序列）序列。
返回: 拟合检测器。
返回类型: self

fit_detect(series)¶

在同一序列上训练检测器并检测异常。

参数: series (Union[TimeSeries, Sequence[TimeSeries]]) – 用于训练和检测异常的时间序列。
返回: 二进制预测（如果是异常则为1，否则为0）
返回类型: Union[TimeSeries, Sequence[TimeSeries]]

阈值检测器