Norm Scorer¶

范数异常分数（给定阶数） [1]。

引用

1: https://en.wikipedia.org/wiki/Norm_(数学)

class darts.ad.scorers.norm_scorer.NormScorer(ord=None, component_wise=False)[源代码]¶

基类：AnomalyScorer

Norm Scorer

返回两个序列值之间给定阶的逐元素范数。

如果 component_wise 是 False，则范数是在由序列成分构成的向量之间计算的（每个时间戳一个范数）。

如果 component_wise 为 True，对于任何 ord，这实际上相当于计算差值的绝对值。

评分函数需要两个序列。

如果这两个序列是宽度为 w 的多变量：

如果 component_wise 设置为 False：它返回一个单变量序列（宽度=1）。
如果 component_wise 设置为 True：它返回一个宽度为 w 的多变量序列。

如果这两个序列是单变量的，无论参数 component_wise 如何，它都会返回一个单变量序列。

参数

ord – 范数的顺序。选项列在以下链接的 ‘Notes’ 部分：<https://numpy.org/doc/stable/reference/generated/numpy.linalg.norm.html>。默认值：None
component_wise (bool) – 是否单独比较两个序列的组件（True），还是联合比较（False）。默认值：False

属性

`is_probabilistic`	评分器是否期望将概率预测作为第一个输入。
`is_trainable`	评分器是否可训练。
`is_univariate`	Scorer 是否为单变量评分器。

方法

`eval_metric_from_prediction`(anomalies, ...)	计算 series 和 pred_series 之间的异常分数，并返回一个不可知阈值度量的分数。
`score_from_prediction`(series, pred_series)	计算两个（序列）序列的异常分数。
`show_anomalies_from_prediction`(series, ...)	绘制评分器的结果。

eval_metric_from_prediction(anomalies, series, pred_series, metric='AUC_ROC')¶

计算 series 和 pred_series 之间的异常分数，并返回一个不可知阈值度量的分数。

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）。
series (Union[TimeSeries, Sequence[TimeSeries]]) – 实际系列（的序列）。
pred_series (Union[TimeSeries, Sequence[TimeSeries]]) – 预测序列（的序列）。
metric (Literal[‘AUC_ROC’, ‘AUC_PR’]) – 要使用的度量函数名称。必须是以下之一：“AUC_ROC”（接收者操作特征曲线下面积）和“AUC_PR”（从分数计算的平均精度）。默认值：“AUC_ROC”。

返回类型

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

返回

float – 单个单变量序列的单个度量值。
Sequence[float] – 一个包含以下指标值的序列：
- 一个多变量的序列。
- 一系列单变量序列。
Sequence[Sequence[float]] – 一个序列的序列，表示多变量序列的度量值。外层序列遍历序列，内层序列遍历序列的组件/列。

property is_probabilistic: bool¶

评分器是否期望将概率预测作为第一个输入。

返回类型: bool

property is_trainable: bool¶

评分器是否可训练。

返回类型: bool

property is_univariate: bool¶

Scorer 是否为单变量评分器。

返回类型: bool

score_from_prediction(series, pred_series)¶

计算两个（序列）序列的异常分数。

如果给定一对序列，它们必须包含相同数量的序列。评分器将对每一对序列独立评分，并返回每一对的异常分数。

参数

series (Union[TimeSeries, Sequence[TimeSeries]]) – 实际系列（的序列）。
pred_series (Union[TimeSeries, Sequence[TimeSeries]]) – 预测序列（的序列）。

返回

（序列的）异常分数时间序列

返回类型

Union[TimeSeries, Sequence[TimeSeries]]

show_anomalies_from_prediction(series, pred_series, scorer_name=None, anomalies=None, title=None, metric=None)¶

绘制评分器的结果。

计算两个序列的异常分数，并绘制结果。

图表将由以下部分组成：

序列和预测序列。
评分器的异常分数。
实际的异常，如果有的话。

可以做到：

使用 title 参数为图片添加标题
使用 scorer_name 为评分器指定个性化名称
如果提供了实际的异常值，显示异常评分（AUC_ROC 或 AUC_PR）的指标结果。

参数

series (TimeSeries) – 要从中可视化异常的实际序列。
pred_series (TimeSeries) – 预测的 series 系列。
anomalies (TimeSeries) – 异常的地面真实值（如果是异常则为1，否则为0）
scorer_name (str) – 评分者的名字。
title (str) – 图的标题
metric (Optional[Literal[‘AUC_ROC’, ‘AUC_PR’], None]) – 可选地，指定要使用的度量函数名称。必须是 “AUC_ROC”（接收者操作特征曲线下面积）或 “AUC_PR”（从分数计算的平均精度）之一。默认值：”AUC_ROC”。

NLL 泊松评分器

PyOD 评分器