数据入口：压气机异常检测一维时间序列 - Heywhale.com
该数据为采样自工业压气机的一维时间序列数据。本文将通过无监督时间序列算法进行时间序列异常检测。针对时间序列数据，常用的无监督异常检测算法包括：孤立森林（Isolation Forest）、基于密度的局部离群因子检测（LOF）、自编码器（Autoencoders）等。根据数据特性可以选择合适的算法。时间序列数据可能需要预处理，如归一化、缺失值处理等，以确保算法的有效性。最后使用选定的算法对数据进行训练，并识别出异常点。
一：孤立森林
孤立森林（Isolation Forest）是一种高效的异常检测算法。它基于这样的观察：异常数据通常数量较少且与正常数据有较大差异，因此在数据集中更容易被孤立。孤立森林通过构建多棵随机的二叉树（孤立树），每棵树都随机选择特征和切分点来递归地分割数据，直到每个数据点都被孤立到自己的节点上。异常点由于其独特的属性，通常会在较少的分割步骤中就被孤立，因此它们在树中的路径较短。
孤立森林算法的主要特点包括：
- 高效性：具有线性时间复杂度，适合处理大规模数据集。
- 无需参数调整：算法性能不太依赖于参数设置，如树的数量和子采样的大小。
- 易于并行化：由于每棵树的构建是独立的，可以并行处理。
- 鲁棒性：对高维数据和稀疏数据表现良好。
算法的流程大致如下：
- 从数据集中随机抽取一定数量的样本作为子样本。
- 对于每个子样本，随机选择一个特征和一个切分点，构建一棵孤立树。
- 重复步骤1和2，构建多棵孤立树，形成孤立森林。
- 对于新的样本，通过计算其在森林中的平均路径长度来判断其是否为异常。
在Python中，可以使用sklearn.ensemble.IsolationForest来实现孤立森林算法。通过调整参数如n_estimators（树的数量）、max_samples（构建子树的样本数）、contamination（异常数据的比例估计）等，可以在不同数据集上优化算法的性能。
数据集包含三个特征：导叶开度、燃料流量（单位：
标签：编码器,异常,孤立,数据,检测,算法,离群,data From： https://blog.csdn.net/2301_80651329/article/details/142445824