yzhao062/pyodEine Python-Bibliothek zur Anomalieerkennung in tabellarischen Daten, Zeitreihen, Graphen, Text, Bildern und Audiodaten. 60+ Detektoren, benchmark-gestützte ADEngine-Orchestrierung und ein agentischer Workflow für KI-Agenten.
.. image:: https://raw.githubusercontent.com/yzhao062/pyod/master/brand/pyod-icon.svg :target: https://pyod.dev :alt: PyOD Ecosystem :width: 84px
PyOD 3: Agentische Anomalieerkennung im großen Maßstab
|badge_website| |badge_pypi| |badge_anaconda| |badge_docs| |badge_stars| |badge_forks| |badge_downloads| |badge_testing| |badge_coverage| |badge_maintainability| |badge_license| |badge_benchmark|
.. |badge_website| image:: https://img.shields.io/badge/website-pyod.dev-990000 :target: https://pyod.dev :alt: Website
.. |badge_pypi| image:: https://img.shields.io/pypi/v/pyod.svg?color=brightgreen :target: https://pypi.org/project/pyod/ :alt: PyPI version
.. |badge_anaconda| image:: https://anaconda.org/conda-forge/pyod/badges/version.svg :target: https://anaconda.org/conda-forge/pyod :alt: Anaconda version
.. |badge_docs| image:: https://readthedocs.org/projects/pyod/badge/?version=latest :target: https://pyod.readthedocs.io/en/latest/?badge=latest :alt: Documentation status
.. |badge_stars| image:: https://img.shields.io/github/stars/yzhao062/pyod.svg :target: https://github.com/yzhao062/pyod/stargazers :alt: GitHub stars
.. |badge_forks| image:: https://img.shields.io/github/forks/yzhao062/pyod.svg?color=blue :target: https://github.com/yzhao062/pyod/network :alt: GitHub forks
.. |badge_downloads| image:: https://pepy.tech/badge/pyod :target: https://pepy.tech/project/pyod :alt: Downloads
.. |badge_testing| image:: https://github.com/yzhao062/pyod/actions/workflows/testing.yml/badge.svg :target: https://github.com/yzhao062/pyod/actions/workflows/testing.yml :alt: Testing
.. |badge_coverage| image:: https://coveralls.io/repos/github/yzhao062/pyod/badge.svg :target: https://coveralls.io/github/yzhao062/pyod :alt: Coverage Status
.. |badge_maintainability| image:: https://api.codeclimate.com/v1/badges/bdc3d8d0454274c753c4/maintainability :target: https://codeclimate.com/github/yzhao062/Pyod/maintainability :alt: Maintainability
.. |badge_license| image:: https://img.shields.io/github/license/yzhao062/pyod.svg :target: https://github.com/yzhao062/pyod/blob/master/LICENSE :alt: License
.. |badge_benchmark| image:: https://img.shields.io/badge/ADBench-benchmark_results-pink :target: https://github.com/Minqi824/ADBench :alt: Benchmark
**PyOD ist agentenbereit.** Claude Code und Codex können den ``od-expert``-Skill nutzen, um ADEngine-Untersuchungen zu steuern, während MCP-kompatible Agenten PyODs Detektorwissen und Planungswerkzeuge abfragen können. Die klassische ``fit``/``predict``-API bleibt unverändert.
PyOD 3 ist die umfassendste Python-Bibliothek für Anomalieerkennung. Vier Säulen:
=========================== ========================================================================================
Säule Was es bedeutet
=========================== ========================================================================================
Multi-Modal 61 Detektoren für tabellarische, Zeitreihen-, Graph-, Text-, Bild- und Audiodaten mit einer API
Vollständiger Lebenszyklus Von Rohdaten zu erklärten Anomalien und nächsten Handlungsempfehlungen in einem einzigen Aufruf
Agentisch od-expert wandelt natürlichsprachliche Anfragen in ADEngine-Workflows um; MCP stellt strukturierte Werkzeuge für andere Agenten bereit
Meistgenutzt Über 46 Millionen Downloads; benchmarkgestütztes Routing (ADBench, TSB-AD, BOND, NLP-ADBench)
=========================== ========================================================================================
Installation ^^^^^^^^^^^^
Kernbibliothek (für jeden Aktivierungspfad erforderlich):
.. code-block:: bash
pip install pyod
Wählen Sie dann den Aktivierungspfad, der zu Ihrem Agenten-Stack passt:
.. code-block:: bash
# 1. Claude Code / Codex — enables the od-expert skill
pyod install skill # Claude Code: user-global (~/.claude/skills/)
pyod install skill --project # Codex: project-local (./skills/, Codex has no user-global dir)
# 2. Any MCP-compatible LLM — requires the optional mcp extra
pip install pyod[mcp]
pyod mcp serve # alias for `python -m pyod.mcp_server`
# 3. Pure Python — no extra step
# from pyod.utils.ad_engine import ADEngine
Führen Sie jederzeit pyod info aus, um Version, Detektoranzahl und den Installationsstatus jedes Aktivierungspfads anzuzeigen. pyod info erkennt außerdem, welchen Agenten-Stack Sie installiert haben (~/.claude/ für Claude Code, ~/.codex/ für Codex), und empfiehlt den passenden Installationsbefehl.
Für conda, Installation aus dem Quellcode, Abhängigkeitsdetails und Fehlerbehebung siehe die vollständige Installationsanleitung <https://pyod.readthedocs.io/en/latest/install.html>__. Der alte Befehl pyod-install-skill aus v3.0.0 funktioniert weiterhin als Alias für pyod install skill.
Ausreißererkennung mit 5 Codezeilen (pip install pyod):
.. code-block:: python
from pyod.models.iforest import IForest
clf = IForest()
clf.fit(X_train)
y_train_scores = clf.decision_scores_ # training anomaly scores
y_test_scores = clf.decision_function(X_test) # test anomaly scores
Drei Möglichkeiten, PyOD zu verwenden:
========= ===================== ====================================================================== =======================================
Ebene Name Wann verwenden Einstiegspunkt
========= ===================== ====================================================================== =======================================
1 Classic API Sie wissen, welchen Detektor Sie möchten Layer 1 examples <https://pyod.readthedocs.io/en/latest/examples/tabular.html>__
2 ADEngine Sie möchten, dass PyOD automatisch auswählt, vergleicht und bewertet Layer 2 walkthrough <https://pyod.readthedocs.io/en/latest/examples/adengine.html>__
3 Agentic Investigation Sie möchten, dass ein KI-Agent OD durch natürliche Konversation steuert Layer 3 walkthrough <https://pyod.readthedocs.io/en/latest/examples/agentic.html>__
========= ===================== ====================================================================== =======================================
Die Ebenen 2 und 3 werden von ADEngine betrieben, dem Orchestrierungskern für den Lebenszyklus von PyOD. Der vollständige mehrstufige Untersuchungsablauf der Ebene 3 ist über den od-expert-Skill für Claude Code und Codex verfügbar. Der MCP-Server (python -m pyod.mcp_server) stellt zehn zustandslose Werkzeuge für MCP-kompatible LLMs bereit, darunter Wissensabfragen (list_detectors, explain_detector, compare_detectors, get_benchmarks), Planung (profile_data, plan_detection, build_detector) und Erkennung (run_detection, analyze_results, explain_findings); zustandsbehaftete -/-MCP-Werkzeuge sind zurückgestellt.
.. image:: https://raw.githubusercontent.com/yzhao062/pyod/development/docs/figs/agentic-demo.png :alt: PyOD 3 agentic investigation demo on cardiotocography dataset :align: center :width: 720
Die obige Abbildung zeigt eine echte agentische Konversation mit fünf Runden auf dem UCI-Kardiotokografie-Datensatz. Siehe den vollständigen Leitfaden <https://pyod.readthedocs.io/en/latest/examples/agentic.html>, das ausführbare agentische Beispiel <https://github.com/yzhao062/pyod/blob/development/examples/agentic_example.py> oder die interaktive HTML-Demo <https://htmlpreview.github.io/?https://github.com/yzhao062/pyod/blob/development/examples/agentic_demo.html>__.
PyOD-Ökosystem & Ressourcen:
NLP-ADBench <https://github.com/USC-FORTIS/NLP-ADBench>__ (NLP-Anomalieerkennung) | TODS <https://github.com/datamllab/tods>__ (Zeitreihen) | PyGOD <https://pygod.org/>__ (Graph) | ADBench <https://github.com/Minqi824/ADBench>__ (Benchmark) | AD-LLM <https://arxiv.org/abs/2412.11142>__ (LLM-basierte AD) [#Yang2024ad]_ | Ressourcen <https://github.com/yzhao062/anomaly-detection-resources>__
Über PyOD ^^^^^^^^^
PyOD wurde 2017 gegründet und ist die am längsten laufende und am weitesten verbreitete Python-Bibliothek für Anomalieerkennung. Mit über 46 Millionen Downloads <https://pepy.tech/project/pyod>__ dient es sowohl der akademischen Forschung (vorgestellt in Analytics Vidhya <https://www.analyticsvidhya.com/blog/2019/02/outlier-detection-python-pyod/>, KDnuggets <https://www.kdnuggets.com/2019/02/outlier-detection-methods-cheat-sheet.html> und Towards Data Science <https://towardsdatascience.com/anomaly-detection-for-dummies-15f148e559c1>__) als auch kommerziellen Produkten.
V3 erweitert die Bibliothek um ADEngine (Lebenszyklus-Orchestrierung) und den od-expert-Skill (agentischer Workflow), während die klassische fit/predict-API vollständig abwärtskompatibel bleibt. V3 basiert auf SUOD [#Zhao2021SUOD]_ für schnelles paralleles Training und numba JIT für modellspezifische Beschleunigungen.
Wirkung & Anerkennung:
=================================== ===========================================================================
Bereich Beispiele
=================================== ===========================================================================
Weltraum & Wissenschaft Die Europäische Weltraumorganisation OPS-SAT-Raumfahrzeug-Telemetrie-Benchmark <https://www.nature.com/articles/s41597-025-05035-3>__ (Nature Scientific Data, 2025) verwendet PyOD für alle 30 Algorithmen.
Unternehmenseinsatz Walmart (über 1 Million tägliche Preisaktualisierungen, KDD 2019), Databricks (Kakapo-Framework, das PyOD mit MLflow/Hyperopt integriert; Lösung zur Erkennung von Insider-Bedrohungen), IQVIA (über 123.000 Apothekenabrechnungen), Altair AI Studio, Ericsson (Patent WO2023166515A1 <https://patents.google.com/patent/WO2023166515A1>).
Bücher Outlier Detection in Python <https://www.manning.com/books/outlier-detection-in-python> (Brett Kennedy, Manning); Handbook of Anomaly Detection with Python (Chris Kuo, Columbia); Finding Ghosts in Your Data <https://link.springer.com/book/10.1007/978-1-4842-8870-2>__ (Kevin Feasel, Apress).
Kurse DataCamp Anomaly Detection in Python <https://www.datacamp.com/courses/anomaly-detection-in-python>__ (über 19 Millionen Lernende auf der Plattform), Manning liveProject <https://www.manning.com/liveproject/using-pyod-and-ensembles-methods>, vollständige Übersetzung der Dokumentation), Japanisch, Koreanisch, Deutsch, Spanisch.
=================================== ===========================================================================
Siehe die vollständige Wirkungsseite <https://pyod.readthedocs.io/en/latest/impact.html>__ auf Read the Docs für die vollständige Liste der Zitationen, Unternehmenseinsätze, Patente und Medienberichterstattung.
Zitieren von PyOD:
Wenn Sie PyOD in einer wissenschaftlichen Veröffentlichung verwenden, würden wir uns über Zitationen der folgenden Arbeit(en) freuen:
PyOD 2: A Python Library for Outlier Detection with LLM-powered Model Selection <https://arxiv.org/abs/2412.12154>__ ist als Preprint verfügbar. Wenn Sie PyOD in einer wissenschaftlichen Veröffentlichung verwenden, würden wir uns über Zitationen der folgenden Arbeit freuen::
@inproceedings{chen2025pyod,
title={Pyod 2: A python library for outlier detection with llm-powered model selection},
author={Chen, Sihan and Qian, Zhuangzhuang and Siu, Wingchun and Hu, Xingcan and Li, Jiaqi and Li, Shawn and Qin, Yuehan and Yang, Tiankai and Xiao, Zhuo and Ye, Wanghao and others},
booktitle={Companion Proceedings of the ACM on Web Conference 2025},
pages={2807--2810},
year={2025}
}
Der PyOD-Artikel <http://www.jmlr.org/papers/volume20/19-011/19-011.pdf>__ ist im Journal of Machine Learning Research (JMLR) <http://www.jmlr.org/>__ (MLOSS-Track) veröffentlicht.::
@article{zhao2019pyod,
author = {Zhao, Yue and Nasrullah, Zain and Li, Zheng},
title = {PyOD: A Python Toolbox for Scalable Outlier Detection},
journal = {Journal of Machine Learning Research},
year = {2019},
volume = {20},
number = {96},
pages = {1-7},
url = {http://jmlr.org/papers/v20/19-011.html}
}
oder::
Zhao, Y., Nasrullah, Z. and Li, Z., 2019. PyOD: A Python Toolbox for Scalable Outlier Detection. Journal of machine learning research (JMLR), 20(96), pp.1-7.
Für eine breitere Perspektive auf die Anomalieerkennung siehe unsere NeurIPS-Beiträge zu ADBench <https://arxiv.org/abs/2206.09426>__ [#Han2022ADBench]_ und ADGym <https://arxiv.org/abs/2309.15376>__.
Inhaltsverzeichnis:
API-Spickzettel & Referenz <#api-cheatsheet--reference>__Benchmarks <#benchmarks>__Implementierte Algorithmen <#implemented-algorithms>__ (Tabellarisch, Zeitreihen, Graph, Einbettung)Weitere Themen <#additional-topics>__ (Modell speichern/laden, SUOD, Schwellenwerte)Schnellstart für Ausreißererkennung <#quick-start-for-outlier-detection>__Beitragen <#how-to-contribute>__Aufnahmekriterien <#inclusion-criteria>__API-Spickzettel & Referenz ^^^^^^^^^^^^^^^^^^^^^^^^^^
Die vollständige API-Referenz ist nach Modalität aufgeteilt in der PyOD-Dokumentation <https://pyod.readthedocs.io/en/latest/>: Tabellarisch <https://pyod.readthedocs.io/en/latest/pyod.models.tabular.html>, Zeitreihen <https://pyod.readthedocs.io/en/latest/pyod.models.timeseries.html>, Graph <https://pyod.readthedocs.io/en/latest/pyod.models.graph.html>, Einbettung <https://pyod.readthedocs.io/en/latest/pyod.models.embedding.html>, ADEngine <https://pyod.readthedocs.io/en/latest/pyod.ad_engine.html>, Hilfsfunktionen <https://pyod.readthedocs.io/en/latest/pyod.utils.html>__. Im Folgenden finden Sie einen kurzen Spickzettel für alle Detektoren:
Wichtige Attribute eines angepassten Modells:
Benchmarks ^^^^^^^^^^
ADBench <https://github.com/Minqi824/ADBench>__ [#Han2022ADBench]_: 30 Algorithmen auf 57 tabellarischen Datensätzen. Siehe Vergleich <https://github.com/yzhao062/pyod/blob/master/examples/compare_all_models.py>__.NLP-ADBench <https://github.com/USC-FORTIS/NLP-ADBench>__: 19 Methoden auf 8 Textdatensätzen. Der Zwei-Schritt-Ansatz (Einbettung + Detektor) schlägt den End-to-End-Ansatz.TSB-AD <https://github.com/TheDatumOrg/TSB-AD>__ [#Liu2024TSB]_: 40 Algorithmen auf 1070 Zeitreihen-Datensätzen (NeurIPS 2024).BOND <https://arxiv.org/abs/2206.10071>__ [#Liu2022BOND]_: 14 Graph-Anomalieerkennungsalgorithmen auf 14 Datensätzen (NeurIPS 2022).Weitere Themen ^^^^^^^^^^^^^^
Modell speichern & laden <https://pyod.readthedocs.io/en/latest/model_persistence.html>: Verwenden Sie joblib oder pickle zum Speichern und Laden von PyOD-Modellen. Siehe Beispiel <https://github.com/yzhao062/pyod/blob/master/examples/save_load_model_example.py>.Schnelles Training mit SUOD <https://pyod.readthedocs.io/en/latest/fast_train.html>: Beschleunigen Sie Training und Vorhersage mit dem SUOD-Framework [#Zhao2021SUOD]_. Siehe Beispiel <https://github.com/yzhao062/pyod/blob/master/examples/suod_example.py>.Schwellenwertbildung für Ausreißer-Scores <https://pyod.readthedocs.io/en/latest/thresholding.html>: Datengetriebene Ansätze zur Festlegung der Kontaminationsniveaus über PyThresh <https://github.com/KulikDM/pythresh>.Implementierte Algorithmen ^^^^^^^^^^^^^^^^^^^^^^^^^^
PyOD ist in zwei funktionale Gruppen organisiert: (i) Erkennungsalgorithmen mit eigenen Unterabschnitten für tabellarische, Zeitreihen-, Graph- und Audiodaten (EmbeddingOD innerhalb der Tabellenübersicht fügt über Foundation-Model-Encoder Unterstützung für Text und Bilder hinzu); und (ii) Hilfsfunktionen für Datengenerierung, Bewertung und Lebenszyklus-Orchestrierung.
(i-a) Tabellarische & multimodale Erkennungsalgorithmen :
.. list-table:: :widths: 15 14 58 5 8 :header-rows: 1* - Typ - Abk. - Algorithmus - Jahr - Ref
example <https://github.com/yzhao062/pyod/blob/development/examples/ecod_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/abod_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/abod_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/copod_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/mad_example.py>__)Ensemble-Methoden (IForest, INNE, DIF, FB, LSCP, LODA, SUOD, XGBOD) sind in der obigen Tabelle enthalten. Funktionen zur Score-Kombination (Durchschnitt, Maximierung, AOM, MOA, Median, Mehrheitsvotum) befinden sich in pyod.models.combination. Weitere Details finden Sie in der API-Dokumentation <https://pyod.readthedocs.io/en/latest/pyod.models.tabular.html>__.
(i-b) Anomalieerkennung in Zeitreihen :
Alle Zeitreihen-Detektoren verwenden dieselbe fit/predict/decision_function-API wie tabellarische Detektoren, mit einer Ausnahme: MatrixProfile ist transduktiv (nur Training; verwenden Sie decision_scores_ und labels_ nach fit(), kein predict für neue Daten).
Eingabeformat: numpy-Array der Form (n_timestamps,) für univariat oder (n_timestamps, n_channels) für multivariat. Jede Zeile entspricht einem Zeitschritt; Spalten sind Kanäle/Merkmale. Pandas-DataFrames und Listen werden automatisch konvertiert. Ausgabe: decision_scores_ der Form (n_timestamps,) mit einem Anomaliewert pro Zeitschritt.
Zeitreihenerkennung in 3 Zeilen:
.. code-block:: python
from pyod.models.ts_kshape import KShape # oder ein beliebiger TS-Detektor
clf = KShape(window_size=20)
clf.fit(X_train) # Form (n_timestamps,) oder (n_timestamps, n_channels)
scores = clf.decision_scores_ # Anomaliewerte pro Zeitschritt
Algorithmus-Rankings aus dem TSB-AD-Benchmark <https://github.com/TheDatumOrg/TSB-AD>__ [#Liu2024TSB]_ (NeurIPS 2024, 1070 Datensätze):
.. list-table:: :widths: 15 18 50 5 12 :header-rows: 1
example <https://github.com/yzhao062/pyod/blob/development/examples/ts_od_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/ts_matrix_profile_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/ts_spectral_residual_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/ts_kshape_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/ts_sand_example.py>__)(i-c) Graphen-Anomalieerkennung (pip install pyod[graph]):
Alle Graph-Detektoren sind in v1 transduktiv: Verwenden Sie decision_scores_ und labels_ nach fit(). Kein predict für neue Daten. Eingabe: PyG-Data-Objekt mit x (Knotenmerkmale) und edge_index (COO-Kanten). SCAN funktioniert ohne Merkmale.
Graph-Erkennung in 3 Zeilen (pip install pyod[graph]):
.. code-block:: python
from pyod.models.pyg_dominant import DOMINANT
clf = DOMINANT(hidden_dim=64, epochs=100)
clf.fit(data) # PyG-Data-Objekt
scores = clf.decision_scores_ # Anomaliewerte pro Knoten
Algorithmus-Rankings aus dem BOND-Benchmark <https://arxiv.org/abs/2206.10071>__ [#Liu2022BOND]_ (NeurIPS 2022, 14 Datensätze):
.. list-table:: :widths: 18 18 45 5 14 :header-rows: 1
dominant example <https://github.com/yzhao062/pyod/blob/development/examples/pyg_dominant_example.py>__)cola example <https://github.com/yzhao062/pyod/blob/development/examples/pyg_cola_example.py>__)conad example <https://github.com/yzhao062/pyod/blob/development/examples/pyg_conad_example.py>__)anomalydae example <https://github.com/yzhao062/pyod/blob/development/examples/pyg_anomalydae_example.py>__)guide example <https://github.com/yzhao062/pyod/blob/development/examples/pyg_guide_example.py>__)(i-d) Audio-Anomalieerkennung (pip install pyod[audio]):
Audioclips verwenden dieselbe fit/decision_function-API. Es stehen zwei Wege zur Verfügung: ein leichtgewichtiger Embed-then-Detect-Pfad (EmbeddingOD.for_audio() wandelt jeden Clip in einen 74-dimensionalen handgefertigten akustischen Vektor um und führt einen beliebigen klassischen Detektor aus) sowie ein spezieller Deep-Detektor (AudioAE, ein Log-Mel-Rekonstruktions-Autoencoder). Eingaben sind Dateipfade, Wellenform-Arrays oder (waveform, sample_rate)-Tupel. Ausgabe: ein Anomaliewert pro Clip.
Audio-Erkennung in 3 Zeilen (pip install pyod[audio]):
.. code-block:: python
from pyod.models.embedding import EmbeddingOD
clf = EmbeddingOD.for_audio('balanced') # 74-dim handgefertigte Merkmale + KNN
clf.fit(train_clips) # Liste von Dateipfaden oder Wellenform-Arrays
scores = clf.decision_scores_ # Anomaliewerte pro Clip
.. list-table:: :widths: 18 18 45 5 14 :header-rows: 1
for_audio(): 74-dimensionale MFCC-, Chroma- und Spektralmerkmale mit einem beliebigen Detektor(ii) Hilfsfunktionen:=================== ============================ ===================================================================================================================================================== Typ Name Funktion =================== ============================ ===================================================================================================================================================== Daten generate_data Synthetische Datengenerierung; Normaldaten aus einer multivariaten Gauß-Verteilung, Ausreißer aus einer Gleichverteilung Daten generate_data_clusters Synthetische Datengenerierung in Clustern für komplexere Muster Auswertung evaluate_print ROC-AUC und Precision @ Rang n für einen Detektor ausgeben Auswertung precision_n_scores Precision @ Rang n berechnen Dienstprogramm get_label_n Rohe Ausreißerwerte in binäre Labels umwandeln, indem die obersten n Werte mit 1 belegt werden Statistik wpearsonr Gewichtete Pearson-Korrelation zweier Stichproben berechnen Kodierung resolve_encoder Einen Encoder anhand eines String-Namens, einer BaseEncoder-Instanz oder eines aufrufbaren Objekts auflösen Kodierung SentenceTransformerEncoder Text über sentence-transformers-Modelle kodieren (z. B. MiniLM, mpnet) Kodierung OpenAIEncoder Text über die OpenAI Embeddings API kodieren (text-embedding-3-small/large) Kodierung HuggingFaceEncoder Text oder Bilder über HuggingFace Transformers kodieren (BERT, DINOv2, CLIP) =================== ============================ =====================================================================================================================================================
Schnellstart: Ausreißererkennung ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
PyOD wird von der Machine-Learning-Community dank einiger ausgewählter Beiträge und Tutorials weithin anerkannt.
Analytics Vidhya: Ein großartiges Tutorial zum Erlernen der Ausreißererkennung in Python mit der PyOD-Bibliothek <https://www.analyticsvidhya.com/blog/2019/02/outlier-detection-python-pyod/>__
KDnuggets: Intuitive Visualisierung von Ausreißererkennungsmethoden <https://www.kdnuggets.com/2019/02/outlier-detection-methods-cheat-sheet.html>, Ein Überblick über Ausreißererkennungsmethoden von PyOD <https://www.kdnuggets.com/2019/06/overview-outlier-detection-methods-pyod.html>
Towards Data Science: Anomalieerkennung für Dummies <https://towardsdatascience.com/anomaly-detection-for-dummies-15f148e559c1>__
"examples/knn_example.py" <https://github.com/yzhao062/pyod/blob/master/examples/knn_example.py>__
demonstriert die grundlegende API zur Verwendung des kNN-Detektors. Es ist zu beachten, dass die API über alle anderen Algorithmen hinweg konsistent/ähnlich ist.
Detailliertere Anweisungen zum Ausführen der Beispiele finden Sie im examples-Verzeichnis <https://github.com/yzhao062/pyod/blob/master/examples>__.
#. Initialisieren Sie einen kNN-Detektor, passen Sie das Modell an und treffen Sie die Vorhersage.
.. code-block:: python
from pyod.models.knn import KNN # kNN detector
from pyod.utils.data import generate_data
contamination = 0.1 # percentage of outliers
n_train = 200 # number of training points
n_test = 100 # number of testing points
# generate sample data
X_train, X_test, y_train, y_test = generate_data(
n_train=n_train, n_test=n_test, n_features=2,
contamination=contamination, random_state=42)
# train kNN detector
clf_name = 'KNN'
clf = KNN()
clf.fit(X_train)
# get the prediction label and outlier scores of the training data
y_train_pred = clf.labels_ # binary labels (0: inliers, 1: outliers)
y_train_scores = clf.decision_scores_ # raw outlier scores
# get the prediction on the test data
y_test_pred = clf.predict(X_test) # outlier labels (0 or 1)
y_test_scores = clf.decision_function(X_test) # outlier scores
# it is possible to get the prediction confidence as well
y_test_pred, y_test_pred_confidence = clf.predict(X_test, return_confidence=True) # outlier labels (0 or 1) and confidence in the range of [0,1]
#. Bewerten Sie die Vorhersage mithilfe von ROC und Precision @ Rank n (p@n).
.. code-block:: python
from pyod.utils.data import evaluate_print
# evaluate and print the results
print("\nOn Training Data:")
evaluate_print(clf_name, y_train, y_train_scores)
print("\nOn Test Data:")
evaluate_print(clf_name, y_test, y_test_scores)
#. Sehen Sie sich eine Beispielausgabe und Visualisierung an.
.. code-block:: python
On Training Data:
KNN ROC:0.9992, precision @ rank n:0.95
On Test Data:
KNN ROC:1.0, precision @ rank n:1.0
.. code-block:: python
from pyod.utils.example import visualize
visualize(clf_name, X_train, y_train, X_test, y_test, y_train_pred,
y_test_pred, show_figure=True, save_figure=False)
Danksagungen ^^^^^^^^^^^^^^^
Dieses Material basiert auf Arbeiten, die von der National Science Foundation unterstützt wurden
im Rahmen des Förderpreises Nr. 2346158 <https://www.nsf.gov/awardsearch/showAward?AWD_ID=2346158>_
für „NSF POSE: Phase II: OpenAD: An Integrated Open-Source Ecosystem for
Anomaly Detection.“ Die Auszeichnung führt die University of Illinois Chicago als
führende Organisation sowie das Illinois Institute of Technology, die Lehigh University und
die University of Southern California als Unterauftragnehmer-Organisationen auf.
Alle Meinungen, Ergebnisse und Schlussfolgerungen oder Empfehlungen in diesem Material sind die der Autoren und geben nicht unbedingt die Ansichten der National Science Foundation wieder.
Referenz ^^^^^^^^^
.. [#Aggarwal2015Outlier] Aggarwal, C.C., 2015. Outlier analysis. In Data mining (pp. 237-263). Springer, Cham.
.. [#Aggarwal2015Theoretical] Aggarwal, C.C. and Sathe, S., 2015. Theoretical foundations and algorithms for outlier ensembles.\ ACM SIGKDD Explorations Newsletter\ , 17(1), pp.24-47.
.. [#Aggarwal2017Outlier] Aggarwal, C.C. and Sathe, S., 2017. Outlier ensembles: An introduction. Springer.
.. [#Almardeny2020A] Almardeny, Y., Boujnah, N. and Cleary, F., 2020. A Novel Outlier Detection Method for Multivariate Data. IEEE Transactions on Knowledge and Data Engineering.
.. [#Angiulli2002Fast] Angiulli, F. and Pizzuti, C., 2002, August. Fast outlier detection in high dimensional spaces. In European Conference on Principles of Data Mining and Knowledge Discovery pp. 15-27.
.. [#Arning1996A] Arning, A., Agrawal, R. and Raghavan, P., 1996, August. A Linear Method for Deviation Detection in Large Databases. In KDD (Vol. 1141, No. 50, pp. 972-981).
.. [#Bandaragoda2018Isolation] Bandaragoda, T. R., Ting, K. M., Albrecht, D., Liu, F. T., Zhu, Y., and Wells, J. R., 2018, Isolation-based anomaly detection using nearest-neighbor ensembles. Computational Intelligence\ , 34(4), pp. 968-998.
.. [#Breunig2000LOF] Breunig, M.M., Kriegel, H.P., Ng, R.T. and Sander, J., 2000, May. LOF: identifying density-based local outliers. ACM Sigmod Record\ , 29(2), pp. 93-104.
.. [#Burgess2018Understanding] Burgess, Christopher P., et al. "Understanding disentangling in beta-VAE." arXiv preprint arXiv:1804.03599 (2018).
.. [#Campello2013Density] Campello, R.J.G.B., Moulavi, D. and Sander, J., 2013, April. Density-based clustering based on hierarchical density estimates. In Pacific-Asia Conference on Knowledge Discovery and Data Mining (pp. 160-172). Springer.
.. [#Cook1977Detection] Cook, R.D., 1977. Detection of influential observation in linear regression. Technometrics, 19(1), pp.15-18.
.. [#Chen2024PyOD] Chen, S., Qian, Z., Siu, W., Hu, X., Li, J., Li, S., Qin, Y., Yang, T., Xiao, Z., Ye, W. and Zhang, Y., 2024. PyOD 2: A Python Library for Outlier Detection with LLM-powered Model Selection. arXiv preprint arXiv:2412.12154.
.. [#Fang2001Wrap] Fang, K.T. and Ma, C.X., 2001. Wrap-around L2-discrepancy of random sampling, Latin hypercube and uniform designs. Journal of complexity, 17(4), pp.608-624.
.. [#Goldstein2012Histogram] Goldstein, M. and Dengel, A., 2012. Histogram-based outlier score (hbos): A fast unsupervised anomaly detection algorithm. In KI-2012: Poster and Demo Track\ , pp.59-63.
.. [#Goodge2022Lunar] Goodge, A., Hooi, B., Ng, S.K. and Ng, W.S., 2022, June. Lunar: Unifying local outlier detection methods via graph neural networks. In Proceedings of the AAAI Conference on Artificial Intelligence.
.. [#Gopalan2019PIDForest] Gopalan, P., Sharan, V. and Wieder, U., 2019. PIDForest: Anomaly Detection via Partial Identification. In Advances in Neural Information Processing Systems, pp. 15783-15793.
.. [#Han2022ADBench] Han, S., Hu, X., Huang, H., Jiang, M. and Zhao, Y., 2022. ADBench: Anomaly Detection Benchmark. arXiv preprint arXiv:2206.09426.
.. [#Hardin2004Outlier] Hardin, J. and Rocke, D.M., 2004. Outlier detection in the multiple cluster setting using the minimum covariance determinant estimator. Computational Statistics & Data Analysis\ , 44(4), pp.625-638.
.. [#He2003Discovering] He, Z., Xu, X. and Deng, S., 2003. Discovering cluster-based local outliers. Pattern Recognition Letters\ , 24(9-10), pp.1641-1650.
.. [#Hoffmann2007Kernel] Hoffmann, H., 2007. Kernel PCA for novelty detection. Pattern recognition, 40(3), pp.863-874.
.. [#Iglewicz1993How] Iglewicz, B. and Hoaglin, D.C., 1993. How to detect and handle outliers (Vol. 16). Asq Press.
.. [#Janssens2012Stochastic] Janssens, J.H.M., Huszár, F., Postma, E.O. and van den Herik, H.J., 2012. Stochastic outlier selection. Technical report TiCC TR 2012-001, Tilburg University, Tilburg Center for Cognition and Communication, Tilburg, The Netherlands.
.. [#Kingma2013Auto] Kingma, D.P. and Welling, M., 2013. Auto-encoding variational bayes. arXiv preprint arXiv:1312.6114.
.. [#Kriegel2008Angle] Kriegel, H.P. and Zimek, A., 2008, August. Angle-based outlier detection in high-dimensional data. In KDD '08\ , pp. 444-452. ACM.
.. [#Kriegel2009Outlier] Kriegel, H.P., Kröger, P., Schubert, E. and Zimek, A., 2009, April. Outlier detection in axis-parallel subspaces of high dimensional data. In Pacific-Asia Conference on Knowledge Discovery and Data Mining\ , pp. 831-838. Springer, Berlin, Heidelberg.
.. [#Latecki2007Outlier] Latecki, L.J., Lazarevic, A. and Pokrajac, D., 2007, July. Outlier detection with kernel density functions. In International Workshop on Machine Learning and Data Mining in Pattern Recognition (pp. 61-75). Springer, Berlin, Heidelberg.
.. [#Lazarevic2005Feature] Lazarevic, A. and Kumar, V., 2005, August. Feature bagging for outlier detection. In KDD '05. 2005.
.. [#Li2024NLPADBench] Li, Y., Li, J., Xiao, Z., Yang, T., Nian, Y., Hu, X. and Zhao, Y., 2025. NLP-ADBench: NLP Anomaly Detection Benchmark. In Findings of the Association for Computational Linguistics: EMNLP 2025.
.. [#Li2019MADGAN] Li, D., Chen, D., Jin, B., Shi, L., Goh, J. and Ng, S.K., 2019, September. MAD-GAN: Multivariate anomaly detection for time series data with generative adversarial networks. In International Conference on Artificial Neural Networks (pp. 703-716). Springer, Cham.
.. [#Li2020COPOD] Li, Z., Zhao, Y., Botta, N., Ionescu, C. and Hu, X. COPOD: Copula-Based Outlier Detection. IEEE International Conference on Data Mining (ICDM), 2020.
.. [#Li2021ECOD] Li, Z., Zhao, Y., Hu, X., Botta, N., Ionescu, C. and Chen, H. G. ECOD: Unsupervised Outlier Detection Using Empirical Cumulative Distribution Functions. IEEE Transactions on Knowledge and Data Engineering (TKDE), 2022.
.. [#Liu2008Isolation] Liu, F.T., Ting, K.M. and Zhou, Z.H., 2008, December. Isolation forest. In International Conference on Data Mining\ , pp. 413-422. IEEE.
.. [#Liu2019Generative] Liu, Y., Li, Z., Zhou, C., Jiang, Y., Sun, J., Wang, M. and He, X., 2019. Generative adversarial active learning for unsupervised outlier detection. IEEE Transactions on Knowledge and Data Engineering.
.. [#Nguyen2019scalable] Nguyen, M.N. and Vien, N.A., 2019. Scalable and interpretable one-class svms with deep learning and random fourier features. In Machine Learning and Knowledge Discovery in Databases: European Conference, ECML PKDD, 2018.
.. [#Pang2019Deep] Pang, Guansong, Chunhua Shen, and Anton Van Den Hengel. "Deep anomaly detection with deviation networks." In KDD, pp. 353-362. 2019.
.. [#Papadimitriou2003LOCI] Papadimitriou, S., Kitagawa, H., Gibbons, P.B. and Faloutsos, C., 2003, March. LOCI: Fast outlier detection using the local correlation integral. In ICDE '03, pp. 315-326. IEEE.
.. [#Pevny2016Loda] Pevný, T., 2016. Loda: Lightweight on-line detector of anomalies. Machine Learning, 102(2), pp.275-304.
.. [#Perini2020Quantifying] Perini, L., Vercruyssen, V., Davis, J. Quantifying the confidence of anomaly detectors in their example-wise predictions. In Joint European Conference on Machine Learning and Knowledge Discovery in Databases (ECML-PKDD), 2020.
.. [#Perini2023Rejection] Perini, L., Davis, J. Unsupervised anomaly detection with rejection. In Proceedings of the Thirty-Seven Conference on Neural Information Processing Systems (NeurIPS), 2023.
.. [#Ramaswamy2000Efficient] Ramaswamy, S., Rastogi, R. and Shim, K., 2000, May. Efficient algorithms for mining outliers from large data sets. ACM Sigmod Record\ , 29(2), pp. 427-438.
.. [#Rousseeuw1999A] Rousseeuw, P.J. and Driessen, K.V., 1999. A fast algorithm for the minimum covariance determinant estimator. Technometrics\ , 41(3), pp.212-223.
.. [#Ruff2018Deep] Ruff, L., Vandermeulen, R., Goernitz, N., Deecke, L., Siddiqui, S.A., Binder, A., Müller, E. and Kloft, M., 2018, July. Deep one-class classification. In International conference on machine learning (pp. 4393-4402). PMLR.
.. [#Schlegl2017Unsupervised] Schlegl, T., Seeböck, P., Waldstein, S.M., Schmidt-Erfurth, U. and Langs, G., 2017, June. Unsupervised anomaly detection with generative adversarial networks to guide marker discovery. In International conference on information processing in medical imaging (pp. 146-157). Springer, Cham.
.. [#Scholkopf2001Estimating] Scholkopf, B., Platt, J.C., Shawe-Taylor, J., Smola, A.J. and Williamson, R.C., 2001. Estimating the support of a high-dimensional distribution. Neural Computation, 13(7), pp.1443-1471.
.. [#Shyu2003A] Shyu, M.L., Chen, S.C., Sarinnapakorn, K. and Chang, L., 2003. A novel anomaly detection scheme based on principal component classifier. MIAMI UNIV CORAL GABLES FL DEPT OF ELECTRICAL AND COMPUTER ENGINEERING.
.. [#Sugiyama2013Rapid] Sugiyama, M. and Borgwardt, K., 2013. Rapid distance-based outlier detection via sampling. Advances in neural information processing systems, 26.
.. [#Tang2002Enhancing] Tang, J., Chen, Z., Fu, A.W.C. and Cheung, D.W., 2002, May. Enhancing effectiveness of outlier detections for low density patterns. In Pacific-Asia Conference on Knowledge Discovery and Data Mining, pp. 535-548. Springer, Berlin, Heidelberg.
.. [#Wang2020adVAE] Wang, X., Du, Y., Lin, S., Cui, P., Shen, Y. and Yang, Y., 2019. adVAE: A self-adversarial variational autoencoder with Gaussian anomaly prior knowledge for anomaly detection. Knowledge-Based Systems.
.. [#Xu2023Deep] Xu, H., Pang, G., Wang, Y., Wang, Y., 2023. Deep isolation forest for anomaly detection. IEEE Transactions on Knowledge and Data Engineering.
.. [#Yang2024ad] Yang, T., Nian, Y., Li, S., Xu, R., Li, Y., Li, J., Xiao, Z., Hu, X., Rossi, R., Ding, K. and Hu, X., 2024. AD-LLM: Benchmarking Large Language Models for Anomaly Detection. arXiv preprint arXiv:2412.11142.
.. [#You2017Provable] You, C., Robinson, D.P. and Vidal, R., 2017. Provable self-representation based outlier detection in a union of subspaces. In Proceedings of the IEEE conference on computer vision and pattern recognition.
.. [#Zenati2018Adversarially] Zenati, H., Romain, M., Foo, C.S., Lecouat, B. and Chandrasekhar, V., 2018, November. Adversarially learned anomaly detection. In 2018 IEEE International conference on data mining (ICDM) (pp. 727-736). IEEE.
.. [#Zhao2018XGBOD] Zhao, Y. and Hryniewicki, M.K. XGBOD: Improving Supervised Outlier Detection with Unsupervised Representation Learning. IEEE International Joint Conference on Neural Networks\ , 2018.
.. [#Zhao2019LSCP] Zhao, Y., Nasrullah, Z., Hryniewicki, M.K. and Li, Z., 2019, May. LSCP: Locally selective combination in parallel outlier ensembles. In Proceedings of the 2019 SIAM International Conference on Data Mining (SDM), pp. 585-593. Society for Industrial and Applied Mathematics.
.. [#Zhao2021SUOD] Zhao, Y., Hu, X., Cheng, C., Wang, C., Wan, C., Wang, W., Yang, J., Bai, H., Li, Z., Xiao, C., Wang, Y., Qiao, Z., Sun, J. and Akoglu, L. (2021). SUOD: Accelerating Large-scale Unsupervised Heterogeneous Outlier Detection. Conference on Machine Learning and Systems (MLSys).
.. [#Boniol2021SAND] Boniol, P., Paparrizos, J., Palpanas, T. and Franklin, M.J., 2021. SAND: Streaming Subsequence Anomaly Detection. Proceedings of the VLDB Endowment, 14(10), pp.1717-1729.
.. [#Malhotra2015Long] Malhotra, P., Vig, L., Shroff, G. and Agarwal, P., 2015. Long Short Term Memory Networks for Anomaly Detection in Time Series. In European Symposium on Artificial Neural Networks (ESANN).
.. [#Paparrizos2015KShape] Paparrizos, J. and Gravano, L., 2015. k-Shape: Efficient and Accurate Clustering of Time Series. In Proceedings of the 2015 ACM SIGMOD International Conference on Management of Data, pp.1855-1870.
.. [#Ren2019Time] Ren, H., Xu, B., Wang, Y., Yi, C., Huang, C., Kou, X., Xing, T., Yang, M., Tong, J. and Zhang, Q., 2019. Time-Series Anomaly Detection Service at Microsoft. In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, pp.3009-3017.
.. [#Xu2022Anomaly] Xu, J., Wu, H., Wang, J. and Long, M., 2022. Anomaly Transformer: Time Series Anomaly Detection with Association Discrepancy. In International Conference on Learning Representations (ICLR).
.. [#Yeh2016Matrix] Yeh, C.C.M., Zhu, Y., Ulanova, L., Begum, N., Ding, Y., Dau, H.A., Silva, D.F., Mueen, A. and Keogh, E., 2016. Matrix Profile I: All Pairs Similarity Joins for Time Series Subsequences. In 2016 IEEE 16th International Conference on Data Mining (ICDM), pp.1317-1322.
.. [#Ding2019DOMINANT] Ding, K., Li, J., Bhanushali, R. and Liu, H., 2019. Deep Anomaly Detection on Attributed Networks. In Proceedings of the 2019 SIAM International Conference on Data Mining, pp.594-602. SIAM.
.. [#Liu2022CoLA] Liu, Y., Li, Z., Pan, S., Gool, T., Xiang, T. and Gong, B., 2022. Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning. In Proceedings of the ACM Web Conference 2022, pp.2137-2147.
.. [#Xu2022CONAD] Xu, Z., Huang, X., Zhao, Y., Dong, Y. and Li, J., 2022. Contrastive Attributed Network Anomaly Detection with Data Augmentation. In Pacific-Asia Conference on Knowledge Discovery and Data Mining, pp.444-457. Springer.
.. [#Fan2020AnomalyDAE] Fan, H., Zhang, F. and Li, Z., 2020. AnomalyDAE: Dual Autoencoder for Anomaly Detection on Attributed Networks. In Proceedings of the 29th ACM International Conference on Information and Knowledge Management, pp.747-756.
.. [#Yuan2021GUIDE] Yuan, X., Zhou, N., Yu, S., Huang, H., Chen, Z. and Xia, F., 2021. Higher-Order Structure Based Anomaly Detection on Attributed Networks. In 2021 IEEE International Conference on Big Data, pp.2691-2700. IEEE... [#Li2017Radar] Li, J., Dani, H., Hu, X. and Liu, H., 2017. Radar: Residual Analysis for Anomaly Detection in Attributed Networks. In Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence, pp.2152-2158.
.. [#Peng2018ANOMALOUS] Peng, Z., Luo, M., Li, J., Liu, H. and Zheng, Q., 2018. ANOMALOUS: A Joint Modeling Approach for Anomaly Detection on Attributed Networks. In Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence, pp.3529-3535.
.. [#Xu2007SCAN] Xu, X., Yuruk, N., Feng, Z. and Schweiger, T.A.J., 2007. SCAN: A Structural Clustering Algorithm for Networks. In Proceedings of the 13th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp.824-833.
.. [#Liu2024TSB] Liu, Q., Boniol, P., Palpanas, T. and Paparrizos, J., 2024. TSB-AD: Towards A Reliable Time-Series Anomaly Detection Benchmark. In Advances in Neural Information Processing Systems (NeurIPS).
.. [#Liu2022BOND] Liu, K., Dou, Y., Zhao, Y., Ding, X., Hu, X., Zhang, R., Ding, K., Chen, C., Peng, H., Shu, K., Sun, L., Li, J., Chen, G.H., Jia, Z. and Yu, P.S., 2022. BOND: Benchmarking Unsupervised Outlier Node Detection on Static Attributed Graphs. In Advances in Neural Information Processing Systems (NeurIPS).
investigateiterateTalk Python To Me #497 <https://talkpython.fm/episodes/show/497/outlier-detection-with-python>Real Python Podcast #208 <https://realpython.com/podcasts/rpp/208/>aidoczh.com <https://www.aidoczh.com>example <https://github.com/yzhao062/pyod/blob/development/examples/sos_example.py>example <https://github.com/yzhao062/pyod/blob/development/examples/qmcd_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/kde_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/sampling_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/gmm_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/pca_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/kpca_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/mcd_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/cd_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/ocsvm_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/lmdd_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/lof_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/cof_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/cof_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/cblof_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/loci_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/hbos_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/hdbscan_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/knn_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/knn_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/knn_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/sod_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/rod_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/iforest_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/inne_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/dif_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/feature_bagging_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/lscp_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/xgbod_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/loda_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/suod_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/auto_encoder_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/vae_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/vae_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/so_gaal_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/mo_gaal_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/deepsvdd_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/alad_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/ae1svm_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/devnet_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/rgraph_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/lunar_example.py>__)example <https://github.com/yzhao062/pyod/blob/development/examples/embedding_od_example.py>__)radar example <https://github.com/yzhao062/pyod/blob/development/examples/pyg_radar_example.py>__)anomalous example <https://github.com/yzhao062/pyod/blob/development/examples/pyg_anomalous_example.py>__)scan example <https://github.com/yzhao062/pyod/blob/development/examples/pyg_scan_example.py>__)