.. image:: https://raw.githubusercontent.com/yzhao062/pyod/master/brand/pyod-icon.svg :target: https://pyod.dev :alt: Ecosistema PyOD :width: 84px

Python Outlier Detection (PyOD) 3

PyOD 3: Rilevamento anomalie agentico su larga scala

.. |badge_website| image:: https://img.shields.io/badge/website-pyod.dev-990000 :target: https://pyod.dev :alt: Sito web

.. |badge_pypi| image:: https://img.shields.io/pypi/v/pyod.svg?color=brightgreen :target: https://pypi.org/project/pyod/ :alt: Versione PyPI

.. |badge_anaconda| image:: https://anaconda.org/conda-forge/pyod/badges/version.svg :target: https://anaconda.org/conda-forge/pyod :alt: Versione Anaconda

.. |badge_docs| image:: https://readthedocs.org/projects/pyod/badge/?version=latest :target: https://pyod.readthedocs.io/en/latest/?badge=latest :alt: Stato documentazione

.. |badge_stars| image:: https://img.shields.io/github/stars/yzhao062/pyod.svg :target: https://github.com/yzhao062/pyod/stargazers :alt: Stelle GitHub

.. |badge_forks| image:: https://img.shields.io/github/forks/yzhao062/pyod.svg?color=blue :target: https://github.com/yzhao062/pyod/network :alt: Fork GitHub

.. |badge_downloads| image:: https://pepy.tech/badge/pyod :target: https://pepy.tech/project/pyod :alt: Download

.. |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: Test

.. |badge_coverage| image:: https://coveralls.io/repos/github/yzhao062/pyod/badge.svg :target: https://coveralls.io/github/yzhao062/pyod :alt: Stato copertura

.. |badge_maintainability| image:: https://api.codeclimate.com/v1/badges/bdc3d8d0454274c753c4/maintainability :target: https://codeclimate.com/github/yzhao062/Pyod/maintainability :alt: Manutenibilità

.. |badge_license| image:: https://img.shields.io/github/license/yzhao062/pyod.svg :target: https://github.com/yzhao062/pyod/blob/master/LICENSE :alt: Licenza

.. |badge_benchmark| image:: https://img.shields.io/badge/ADBench-benchmark_results-pink :target: https://github.com/Minqi824/ADBench :alt: Benchmark

**PyOD è pronto per gli agenti.** Claude Code e Codex possono usare lo skill ``od-expert`` per guidare le indagini ADEngine, mentre gli agenti compatibili MCP possono interrogare gli strumenti di conoscenza e pianificazione dei detector di PyOD. La classica API ``fit``/``predict`` rimane invariata.

PyOD 3 è la libreria Python più completa per il rilevamento di anomalie. Quattro pilastri:

=========================== ======================================================================================== Pilastro Cosa significa =========================== ======================================================================================== Multi-modale 61 detector su dati tabellari, serie temporali, grafi, testo, immagini e audio, un'unica API Ciclo di vita completo Dai dati grezzi alle anomalie spiegate e alle indicazioni per i passaggi successivi in un'unica chiamata Agentico od-expert trasforma le richieste in linguaggio naturale in flussi di lavoro ADEngine; MCP espone strumenti strutturati per altri agenti Più utilizzato 46+ milioni di download; instradamento supportato da benchmark (ADBench, TSB-AD, BOND, NLP-ADBench) =========================== ========================================================================================

Installazione ^^^^^^^^^^^^^

Libreria principale (richiesta per ogni percorso di attivazione):

.. code-block:: bash

pip install pyod

Quindi scegli il percorso di attivazione che corrisponde al tuo stack di agenti:

.. 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

Esegui pyod info in qualsiasi momento per vedere la versione, il numero di detector e lo stato di installazione di ciascun percorso di attivazione. pyod info rileva anche quale stack di agenti hai installato (~/.claude/ per Claude Code, ~/.codex/ per Codex) e consiglia il comando di installazione corretto.

Per conda, installazione da sorgente, dettagli sulle dipendenze e risoluzione dei problemi, consulta la guida completa all'installazione <https://pyod.readthedocs.io/en/latest/install.html>__. Il comando legacy pyod-install-skill della v3.0.0 funziona ancora come alias di pyod install skill.

Rilevamento di outlier con 5 righe di codice (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

Tre modi per usare PyOD:

========= ===================== ====================================================================== ======================================= Livello Nome Quando usarlo Punto di ingresso ========= ===================== ====================================================================== ======================================= 1 API classica Sai quale detector vuoi Esempi del Livello 1 <https://pyod.readthedocs.io/en/latest/examples/tabular.html>__ 2 ADEngine Vuoi che PyOD scelga, confronti e valuti automaticamente Procedura dettagliata del Livello 2 <https://pyod.readthedocs.io/en/latest/examples/adengine.html>__ 3 Indagine agentica Vuoi che un agente AI guidi l'OD attraverso una conversazione naturale Procedura dettagliata del Livello 3 <https://pyod.readthedocs.io/en/latest/examples/agentic.html>__ ========= ===================== ====================================================================== =======================================

I livelli 2 e 3 sono alimentati da ADEngine, il cuore dell'orchestrazione del ciclo di vita di PyOD. Il flusso completo di indagine multilivello del Livello 3 è disponibile tramite lo skill od-expert per Claude Code e Codex. Il server MCP (python -m pyod.mcp_server) espone dieci strumenti senza stato per LLM compatibili MCP, che coprono query di conoscenza (list_detectors, explain_detector, compare_detectors, get_benchmarks), pianificazione (profile_data, plan_detection, build_detector) e rilevamento (run_detection, analyze_results, explain_findings); gli strumenti MCP investigate / iterate con stato sono rimandati.

.. image:: https://raw.githubusercontent.com/yzhao062/pyod/development/docs/figs/agentic-demo.png :alt: Demo dell'indagine agentica PyOD 3 sul dataset cardiotocografia :align: center :width: 720

pyod

Più Popolari

Python Outlier Detection (PyOD) 3