评分器基类
- class darts.ad.scorers.scorers.AnomalyScorer(is_univariate, window)[源代码]¶
基类：
ABC所有异常评分器的基类
属性
评分器是否期望将概率预测作为第一个输入。
评分器是否可训练。
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。
- 参数
is_univariate (
bool) – 评分器是否为单变量评分器。window (
int) – 整数值，表示评分器用于将序列转换为异常分数的窗口 W 的大小。评分器会将给定的序列分割成大小为 W 的子序列，并返回一个值，指示这些 W 值子集的异常程度。后处理步骤将把这个异常分数转换为点对点的异常分数（参见 window_transform 的定义）。窗口大小应与所寻找的异常预期持续时间相称。
属性
评分器是否期望将概率预测作为第一个输入。
评分器是否可训练。
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')[源代码]¶
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)[源代码]¶
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)[源代码]¶
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”。
- class darts.ad.scorers.scorers.FittableAnomalyScorer(is_univariate, window, window_agg, diff_fn=<function ae>, n_jobs=1)[源代码]¶
-
需要训练的评分器的基类。
属性
评分器是否期望将概率预测作为第一个输入。
评分器是否可训练。
Scorer 是否为单变量评分器。
方法
eval_metric(anomalies, series[, metric])计算给定时间序列的异常分数，并返回一个不可知阈值度量的分数。
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。
fit(series)在给定的时间序列上拟合评分器。
fit_from_prediction(series, pred_series)在两个（序列的）系列上拟合评分器。
score(series)计算给定序列的异常分数。
score_from_prediction(series, pred_series)计算两个（序列）序列的异常分数。
show_anomalies(series[, anomalies, ...])绘制评分器的结果。
show_anomalies_from_prediction(series, ...)绘制评分器的结果。
- 参数
is_univariate (
bool) – 评分器是否为单变量评分器。window (
int) – 整数值，表示评分器用于将序列转换为异常分数的窗口 W 的大小。评分器会将给定的序列分割成大小为 W 的子序列，并返回一个值，指示这些 W 值子集的异常程度。后处理步骤将把这个异常分数转换为点对点的异常分数（参见 window_transform 的定义）。窗口大小应与所寻找的异常预期持续时间相称。window_agg (
bool) – 是否将窗口异常分数转换/聚合为点异常分数。diff_fn (
Callable[…,Union[float,List[float],ndarray,List[ndarray]]]) – 用于将预测和实际序列转换为一个序列的差异函数。然后对该序列应用评分器。必须是Darts的每时间步长指标之一（例如，ae()表示绝对差异，err()表示差异，se()表示平方差异，…）。默认使用绝对差异（ae()）。n_jobs (
int) – 要并行运行的作业数量。仅当输入为 Sequence[TimeSeries] 时才会创建并行作业，并行化处理不同的 TimeSeries。默认为 1`（顺序执行）。将参数设置为 `-1 表示使用所有可用处理器。
属性
评分器是否期望将概率预测作为第一个输入。
评分器是否可训练。
Scorer 是否为单变量评分器。
方法
eval_metric(anomalies, series[, metric])计算给定时间序列的异常分数，并返回一个不可知阈值度量的分数。
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。
fit(series)在给定的时间序列上拟合评分器。
fit_from_prediction(series, pred_series)在两个（序列的）系列上拟合评分器。
score(series)计算给定序列的异常分数。
score_from_prediction(series, pred_series)计算两个（序列）序列的异常分数。
show_anomalies(series[, anomalies, ...])绘制评分器的结果。
show_anomalies_from_prediction(series, ...)绘制评分器的结果。
- eval_metric(anomalies, series, metric='AUC_ROC')[源代码]¶
计算给定时间序列的异常分数，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]]) – 要从中检测异常的（序列）系列。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 – 单变量 series 系列（只有一个组件/列）的单个分数/指标。
Sequence[float] – 一个分数序列（列表），用于：
多变量 系列 系列（多个组成部分）。为每个组成部分给出一个分数。
一系列（列表）的单变量 series 序列。为每个序列提供一个分数。
Sequence[Sequence[float]] – 一个多元 序列 序列的分数序列。为每个序列（外部序列）和组件（内部序列）提供一个分数。
- 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。
- fit(series)[源代码]¶
在给定的时间序列上拟合评分器。
如果是一系列序列，评分器将基于序列的连接进行拟合。
假设 series 通常是无异常的。
- 参数
series (
Union[TimeSeries,Sequence[TimeSeries]]) – 没有异常的（序列）系列。- 返回
Fitted Scorer.
- 返回类型
self
- fit_from_prediction(series, pred_series)[源代码]¶
在两个（序列的）系列上拟合评分器。
传递给评分器的函数 diff_fn 会将 pred_series 和 series 转换为一个序列。默认情况下，diff_fn 将计算绝对差值（默认：
ae()）。如果 pred_series 和 series 是序列，diff_fn 将应用于序列中所有成对的元素。评分器将在此（序列）系列上进行拟合。如果给定的是一个系列序列，评分器将在序列的连接上进行拟合。
评分器假设（序列的）序列是无异常的。
如果系列中的任何一个具有随机性（n_samples>1），则在分位数 0.5 上计算 diff_fn。
- 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
Fitted Scorer.
- 返回类型
self
- 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(series)[源代码]¶
计算给定序列的异常分数。
如果给定了一系列序列，评分器将对每个序列独立评分，并返回序列中每个序列的异常分数。
- 参数
series (
Union[TimeSeries,Sequence[TimeSeries]]) – 要从中检测异常的（序列）系列。- 返回
（序列的）异常分数时间序列
- 返回类型
Union[TimeSeries, Sequence[TimeSeries]]
- score_from_prediction(series, pred_series)[源代码]¶
计算两个（序列）序列的异常分数。
作为评分器参数传递的函数 diff_fn ，会将 pred_series 和 series 转换为一个“差异”序列。默认情况下，diff_fn 将计算绝对差异（默认值：
ae()）。如果 series 和 pred_series 是序列，diff_fn 将应用于序列中所有成对元素。评分器随后会将这一系列数据转换为异常分数。如果给定了一系列数据序列，评分器将对每个序列独立评分，并返回序列中每个数据的异常分数。
- 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(series, anomalies=None, scorer_name=None, title=None, metric=None)[源代码]¶
绘制评分器的结果。
计算给定序列输入的分数。并绘制结果。
- 图表将由以下部分组成：
系列本身。
异常分数的分数。
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
显示异常分数的指标结果（AUC_ROC 或 AUC_PR），
如果提供了实际的异常。
- 参数
series (
TimeSeries) – 要从中可视化异常的系列。anomalies (
TimeSeries) – 地面真值二进制异常序列（1 表示异常，0 表示正常）。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”。
- 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”。
- class darts.ad.scorers.scorers.NLLScorer(window)[源代码]¶
-
所有 LikelihoodScorer 的父类
属性
评分器是否期望将概率预测作为第一个输入。
评分器是否可训练。
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。
- 参数
window – 整数值，表示评分器用于将序列转换为异常分数的窗口 W 的大小。评分器会将给定的序列分割成大小为 W 的子序列，并返回一个值，指示这些 W 值子集的异常程度。后处理步骤将把这个异常分数转换为点对点的异常分数（参见 window_transform 的定义）。窗口大小应与所寻找的异常预期持续时间相称。
属性
评分器是否期望将概率预测作为第一个输入。
评分器是否可训练。
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”。
- class darts.ad.scorers.scorers.WindowedAnomalyScorer(is_univariate, window, window_agg, diff_fn)[源代码]¶
-
依赖窗口检测异常的异常评分器的基类
属性
评分器是否期望将概率预测作为第一个输入。
评分器是否可训练。
Scorer 是否为单变量评分器。
方法
eval_metric(anomalies, series[, metric])计算给定时间序列的异常分数，并返回一个不可知阈值度量的分数。
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。
fit(series)在给定的时间序列上拟合评分器。
fit_from_prediction(series, pred_series)在两个（序列的）系列上拟合评分器。
score(series)计算给定序列的异常分数。
score_from_prediction(series, pred_series)计算两个（序列）序列的异常分数。
show_anomalies(series[, anomalies, ...])绘制评分器的结果。
show_anomalies_from_prediction(series, ...)绘制评分器的结果。
- 参数
is_univariate (
bool) – 评分器是否为单变量评分器。如果为 True 并且在使用多变量序列时，评分是在考虑的窗口中连接的组件/列上计算的，以计算一个评分。window (
int) – 整数值，表示评分器用于将序列转换为异常分数的窗口 W 的大小。评分器将给定的序列分割成大小为 W 的子序列，并返回一个值，指示这些 W 值子集的异常程度。后处理步骤将把异常分数转换为点对点的异常分数（参见 window_transform 的定义）。窗口大小应与所寻找的异常预期持续时间相称。window_agg (
bool) – 是否将窗口异常分数转换/聚合为点异常分数。diff_fn (
Callable[…,Union[float,List[float],ndarray,List[ndarray]]]) – 用于将预测和实际序列转换为一个序列的差异函数。然后对该序列应用评分器。必须是Darts的每时间步长指标之一（例如，ae()表示绝对差异，err()表示差异，se()表示平方差异，…）。默认使用绝对差异（ae()）。
属性
评分器是否期望将概率预测作为第一个输入。
评分器是否可训练。
Scorer 是否为单变量评分器。
方法
eval_metric(anomalies, series[, metric])计算给定时间序列的异常分数，并返回一个不可知阈值度量的分数。
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。
fit(series)在给定的时间序列上拟合评分器。
fit_from_prediction(series, pred_series)在两个（序列的）系列上拟合评分器。
score(series)计算给定序列的异常分数。
score_from_prediction(series, pred_series)计算两个（序列）序列的异常分数。
show_anomalies(series[, anomalies, ...])绘制评分器的结果。
show_anomalies_from_prediction(series, ...)绘制评分器的结果。
- eval_metric(anomalies, series, metric='AUC_ROC')¶
计算给定时间序列的异常分数，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]]) – 要从中检测异常的（序列）系列。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 – 单变量 series 系列（只有一个组件/列）的单个分数/指标。
Sequence[float] – 一个分数序列（列表），用于：
多变量 系列 系列（多个组成部分）。为每个组成部分给出一个分数。
一系列（列表）的单变量 series 序列。为每个序列提供一个分数。
Sequence[Sequence[float]] – 一个多元 序列 序列的分数序列。为每个序列（外部序列）和组件（内部序列）提供一个分数。
- 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。
- fit(series)¶
在给定的时间序列上拟合评分器。
如果是一系列序列，评分器将基于序列的连接进行拟合。
假设 series 通常是无异常的。
- 参数
series (
Union[TimeSeries,Sequence[TimeSeries]]) – 没有异常的（序列）系列。- 返回
Fitted Scorer.
- 返回类型
self
- fit_from_prediction(series, pred_series)¶
在两个（序列的）系列上拟合评分器。
传递给评分器的函数 diff_fn 会将 pred_series 和 series 转换为一个序列。默认情况下，diff_fn 将计算绝对差值（默认：
ae()）。如果 pred_series 和 series 是序列，diff_fn 将应用于序列中所有成对的元素。评分器将在此（序列）系列上进行拟合。如果给定的是一个系列序列，评分器将在序列的连接上进行拟合。
评分器假设（序列的）序列是无异常的。
如果系列中的任何一个具有随机性（n_samples>1），则在分位数 0.5 上计算 diff_fn。
- 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
Fitted Scorer.
- 返回类型
self
- 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(series)¶
计算给定序列的异常分数。
如果给定了一系列序列，评分器将对每个序列独立评分，并返回序列中每个序列的异常分数。
- 参数
series (
Union[TimeSeries,Sequence[TimeSeries]]) – 要从中检测异常的（序列）系列。- 返回
（序列的）异常分数时间序列
- 返回类型
Union[TimeSeries, Sequence[TimeSeries]]
- score_from_prediction(series, pred_series)¶
计算两个（序列）序列的异常分数。
作为评分器参数传递的函数 diff_fn ，会将 pred_series 和 series 转换为一个“差异”序列。默认情况下，diff_fn 将计算绝对差异（默认值：
ae()）。如果 series 和 pred_series 是序列，diff_fn 将应用于序列中所有成对元素。评分器随后会将这一系列数据转换为异常分数。如果给定了一系列数据序列，评分器将对每个序列独立评分，并返回序列中每个数据的异常分数。
- 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(series, anomalies=None, scorer_name=None, title=None, metric=None)¶
绘制评分器的结果。
计算给定序列输入的分数。并绘制结果。
- 图表将由以下部分组成：
系列本身。
异常分数的分数。
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
显示异常分数的指标结果（AUC_ROC 或 AUC_PR），
如果提供了实际的异常。
- 参数
series (
TimeSeries) – 要从中可视化异常的系列。anomalies (
TimeSeries) – 地面真值二进制异常序列（1 表示异常，0 表示正常）。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”。
- 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”。