yzhao062/pyodUma biblioteca Python para detecção de anomalias em dados tabulares, séries temporais, grafos, texto, imagem e áudio. Mais de 60 detectores, orquestração ADEngine respaldada por benchmarks e um fluxo de trabalho agêntico para agentes de IA.
.. image:: https://raw.githubusercontent.com/yzhao062/pyod/master/brand/pyod-icon.svg :target: https://pyod.dev :alt: Ecossistema PyOD :width: 84px
PyOD 3: Detecção de Anomalias Agêntica em Escala
|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: Site
.. |badge_pypi| image:: https://img.shields.io/pypi/v/pyod.svg?color=brightgreen :target: https://pypi.org/project/pyod/ :alt: Versão do PyPI
.. |badge_anaconda| image:: https://anaconda.org/conda-forge/pyod/badges/version.svg :target: https://anaconda.org/conda-forge/pyod :alt: Versão do Anaconda
.. |badge_docs| image:: https://readthedocs.org/projects/pyod/badge/?version=latest :target: https://pyod.readthedocs.io/en/latest/?badge=latest :alt: Status da documentação
.. |badge_stars| image:: https://img.shields.io/github/stars/yzhao062/pyod.svg :target: https://github.com/yzhao062/pyod/stargazers :alt: Estrelas do GitHub
.. |badge_forks| image:: https://img.shields.io/github/forks/yzhao062/pyod.svg?color=blue :target: https://github.com/yzhao062/pyod/network :alt: Forks do GitHub
.. |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: Testes
.. |badge_coverage| image:: https://coveralls.io/repos/github/yzhao062/pyod/badge.svg :target: https://coveralls.io/github/yzhao062/pyod :alt: Status de cobertura
.. |badge_maintainability| image:: https://api.codeclimate.com/v1/badges/bdc3d8d0454274c753c4/maintainability :target: https://codeclimate.com/github/yzhao062/Pyod/maintainability :alt: Manutenibilidade
.. |badge_license| image:: https://img.shields.io/github/license/yzhao062/pyod.svg :target: https://github.com/yzhao062/pyod/blob/master/LICENSE :alt: Licença
.. |badge_benchmark| image:: https://img.shields.io/badge/ADBench-benchmark_results-pink :target: https://github.com/Minqi824/ADBench :alt: Benchmark
**O PyOD está pronto para agentes.** O Claude Code e o Codex podem usar a skill ``od-expert`` para conduzir investigações do ADEngine, enquanto agentes compatíveis com MCP podem consultar o conhecimento de detectores e as ferramentas de planejamento do PyOD. A API clássica ``fit``/``predict`` permanece inalterada.
O PyOD 3 é a biblioteca Python mais abrangente para detecção de anomalias. Quatro pilares:
=========================== ========================================================================================
Pilar O que significa
=========================== ========================================================================================
Multimodal 61 detectores para dados tabulares, séries temporais, grafos, texto, imagem e áudio, uma API
Ciclo de Vida Completo De dados brutos a anomalias explicadas e orientação de próximos passos em uma única chamada
Agêntico od-expert converte solicitações em linguagem natural em fluxos de trabalho do ADEngine; o MCP expõe ferramentas estruturadas para outros agentes
Mais Usado 46+ milhões de downloads; roteamento respaldado por benchmarks (ADBench, TSB-AD, BOND, NLP-ADBench)
=========================== ========================================================================================
Instalação ^^^^^^^
Biblioteca principal (necessária para todos os caminhos de ativação):
.. code-block:: bash
pip install pyod
Em seguida, escolha o caminho de ativação que corresponde à sua stack de agentes:
.. 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
Execute pyod info a qualquer momento para ver a versão, a quantidade de detectores e
o estado de instalação de cada caminho de ativação. O pyod info também detecta
qual stack de agentes você tem instalada (~/.claude/ para Claude Code,
~/.codex/ para Codex) e recomenda o comando de instalação correto.
Para conda, instalação a partir do código-fonte, detalhes de dependências e solução de problemas, consulte o guia de instalação completo <https://pyod.readthedocs.io/en/latest/install.html>__. O comando legado pyod-install-skill da v3.0.0 ainda funciona como alias para pyod install skill.
Detecção de Outliers com 5 Linhas de Código (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
Três maneiras de usar o PyOD:
========= ===================== ====================================================================== =======================================
Camada Nome Quando usar Ponto de entrada
========= ===================== ====================================================================== =======================================
1 API Clássica Você sabe qual detector deseja Exemplos da camada 1 <https://pyod.readthedocs.io/en/latest/examples/tabular.html>__
2 ADEngine Você quer que o PyOD escolha, compare e avalie automaticamente Passo a passo da camada 2 <https://pyod.readthedocs.io/en/latest/examples/adengine.html>__
3 Investigação Agêntica Você quer que um agente de IA conduza a OD por conversa natural Passo a passo da camada 3 <https://pyod.readthedocs.io/en/latest/examples/agentic.html>__
========= ===================== ====================================================================== =======================================
As camadas 2 e 3 são alimentadas pelo ADEngine, o núcleo de orquestração do ciclo de vida do PyOD. O fluxo completo de investigação da Camada 3 com múltiplos turnos está disponível por meio da skill od-expert para Claude Code e Codex. O servidor MCP (python -m pyod.mcp_server) expõe dez ferramentas sem estado para LLMs compatíveis com MCP, abrangendo consultas de conhecimento (list_detectors, explain_detector, compare_detectors, get_benchmarks), planejamento (profile_data, plan_detection, build_detector) e detecção (run_detection, analyze_results, explain_findings); as ferramentas MCP com estado / foram adiadas.
.. image:: https://raw.githubusercontent.com/yzhao062/pyod/development/docs/figs/agentic-demo.png :alt: Demonstração da investigação agêntica do PyOD 3 no conjunto de dados de cardiotocografia :align: center :width: 720
A figura acima mostra uma conversa agêntica real de 5 turnos no conjunto de dados UCI Cardiotocography. Consulte o passo a passo completo <https://pyod.readthedocs.io/en/latest/examples/agentic.html>, o exemplo agêntico executável <https://github.com/yzhao062/pyod/blob/development/examples/agentic_example.py> ou a demonstração HTML interativa <https://htmlpreview.github.io/?https://github.com/yzhao062/pyod/blob/development/examples/agentic_demo.html>__.
Ecossistema e Recursos do PyOD:
NLP-ADBench <https://github.com/USC-FORTIS/NLP-ADBench>__ (detecção de anomalias em NLP) | TODS <https://github.com/datamllab/tods>__ (séries temporais) | PyGOD <https://pygod.org/>__ (grafos) | ADBench <https://github.com/Minqi824/ADBench>__ (benchmark) | AD-LLM <https://arxiv.org/abs/2412.11142>__ (AD baseado em LLM) [#Yang2024ad]_ | Recursos <https://github.com/yzhao062/anomaly-detection-resources>__
Sobre o PyOD ^^^^^^^^^^
O PyOD, criado em 2017, é a biblioteca Python mais antiga e mais amplamente utilizada para detecção de anomalias. Com mais de 46 milhões de downloads <https://pepy.tech/project/pyod>, atende tanto à pesquisa acadêmica (destacado no Analytics Vidhya <https://www.analyticsvidhya.com/blog/2019/02/outlier-detection-python-pyod/>, no KDnuggets <https://www.kdnuggets.com/2019/02/outlier-detection-methods-cheat-sheet.html>__ e no Towards Data Science <https://towardsdatascience.com/anomaly-detection-for-dummies-15f148e559c1>__) quanto a produtos comerciais.
A V3 amplia a biblioteca com o ADEngine (orquestração do ciclo de vida) e a skill od-expert (fluxo de trabalho agêntico), mantendo a API clássica fit/predict totalmente compatível com versões anteriores. A V3 é construída sobre o SUOD [#Zhao2021SUOD]_ para treinamento paralelo rápido e aceleração por modelo com numba JIT.
Impacto e Reconhecimento:
=================================== ===========================================================================
Área Exemplos
=================================== ===========================================================================
Espaço e ciência Agência Espacial Europeia benchmark de telemetria da nave OPS-SAT <https://www.nature.com/articles/s41597-025-05035-3>__ (Nature Scientific Data, 2025) usa o PyOD para todos os 30 algoritmos.
Implantação empresarial Walmart (1M+ atualizações diárias de preços, KDD 2019), Databricks (framework Kakapo que integra o PyOD ao MLflow/Hyperopt; solução de detecção de ameaças internas), IQVIA (123K+ reivindicações de farmácia), Altair AI Studio, Ericsson (patente WO2023166515A1 <https://patents.google.com/patent/WO2023166515A1>).
Livros 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).
Cursos DataCamp Anomaly Detection in Python <https://www.datacamp.com/courses/anomaly-detection-in-python>__ (19M+ alunos na plataforma), liveProject <https://www.manning.com/liveproject/using-pyod-and-ensembles-methods>__ da Manning, edição em vídeo da O'Reilly, vários cursos na Udemy.
Podcasts .
Internacional Tutoriais em 5 idiomas além do inglês: chinês (CSDN, Zhihu, 搜狐, 机器之心, tradução completa da documentação no __), japonês, coreano, alemão e espanhol.
=================================== ===========================================================================
Consulte a página de impacto completa <https://pyod.readthedocs.io/en/latest/impact.html>__ no Read the Docs para obter a lista completa de citações, implantações empresariais, patentes e cobertura da mídia.
Como citar o PyOD:
Se você usar o PyOD em uma publicação científica, agradeceríamos citações ao(s) seguinte(s) artigo(s):
PyOD 2: A Python Library for Outlier Detection with LLM-powered Model Selection <https://arxiv.org/abs/2412.12154>__ está disponível como preprint. Se você usar o PyOD em uma publicação científica, agradeceríamos citações ao seguinte artigo::
@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}
}
O artigo do PyOD <http://www.jmlr.org/papers/volume20/19-011/19-011.pdf>__ foi publicado no Journal of Machine Learning Research (JMLR) <http://www.jmlr.org/>__ (trilha MLOSS).::
@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}
}
ou::
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.
Para uma perspectiva mais ampla sobre detecção de anomalias, consulte nossos artigos do NeurIPS sobre ADBench <https://arxiv.org/abs/2206.09426>__ [#Han2022ADBench]_ e ADGym <https://arxiv.org/abs/2309.15376>__.
Sumário:
API Cheatsheet & Referência <#api-cheatsheet--reference>__Benchmarks <#benchmarks>__Algoritmos Implementados <#implemented-algorithms>__ (Tabular, Séries Temporais, Grafos, Embedding)Tópicos Adicionais <#additional-topics>__ (Salvar/Carregar Modelo, SUOD, Thresholding)Início Rápido para Detecção de Outliers <#quick-start-for-outlier-detection>__Como Contribuir <#how-to-contribute>__Critérios de Inclusão <#inclusion-criteria>__API Cheatsheet & Referência ^^^^^^^^^^^^^^^^^^^^^^^^^^
A Referência completa da API é dividida por modalidade na Documentação do PyOD <https://pyod.readthedocs.io/en/latest/>: Tabular <https://pyod.readthedocs.io/en/latest/pyod.models.tabular.html>, Séries Temporais <https://pyod.readthedocs.io/en/latest/pyod.models.timeseries.html>, Grafos <https://pyod.readthedocs.io/en/latest/pyod.models.graph.html>, Embedding <https://pyod.readthedocs.io/en/latest/pyod.models.embedding.html>, ADEngine <https://pyod.readthedocs.io/en/latest/pyod.ad_engine.html>, Utilitários <https://pyod.readthedocs.io/en/latest/pyod.utils.html>__. Abaixo está uma cheatsheet rápida para todos os detectores:
Atributos principais de um modelo ajustado:
Benchmarks ^^^^^^^^^^
ADBench <https://github.com/Minqi824/ADBench>__ [#Han2022ADBench]_: 30 algoritmos em 57 conjuntos de dados tabulares. Consulte a comparação <https://github.com/yzhao062/pyod/blob/master/examples/compare_all_models.py>__.NLP-ADBench <https://github.com/USC-FORTIS/NLP-ADBench>__: 19 métodos em 8 conjuntos de dados de texto. O método em duas etapas (embedding + detector) supera o fim a fim.TSB-AD <https://github.com/TheDatumOrg/TSB-AD>__ [#Liu2024TSB]_: 40 algoritmos em 1070 conjuntos de dados de séries temporais (NeurIPS 2024).BOND <https://arxiv.org/abs/2206.10071>__ [#Liu2022BOND]_: 14 algoritmos de detecção de anomalias em grafos em 14 conjuntos de dados (NeurIPS 2022).Tópicos Adicionais ^^^^^^^^^^^^^^^^^
Salvar e Carregar Modelos <https://pyod.readthedocs.io/en/latest/model_persistence.html>: Use joblib ou pickle para salvar e carregar modelos do PyOD. Consulte o exemplo <https://github.com/yzhao062/pyod/blob/master/examples/save_load_model_example.py>.Treinamento Rápido com SUOD <https://pyod.readthedocs.io/en/latest/fast_train.html>: Acelere o treinamento e a previsão com o framework SUOD [#Zhao2021SUOD]_. Consulte o exemplo <https://github.com/yzhao062/pyod/blob/master/examples/suod_example.py>.Limiarização de Pontuações de Outlier <https://pyod.readthedocs.io/en/latest/thresholding.html>: Abordagens baseadas em dados para definir níveis de contaminação por meio do PyThresh <https://github.com/KulikDM/pythresh>.Algoritmos Implementados ^^^^^^^^^^^^^^^^^^^^^^
O PyOD é organizado em dois grupos funcionais: (i) Algoritmos de Detecção, com subseções dedicadas para dados tabulares, séries temporais, grafos e áudio (o EmbeddingOD dentro da tabela tabular adiciona suporte a texto e imagem por meio de codificadores de modelos de fundação); e (ii) Funções Utilitárias para geração de dados, avaliação e orquestração do ciclo de vida.
(i-a) Algoritmos de Detecção Tabulares e Multimodais :
.. list-table:: :widths: 15 14 58 5 8 :header-rows: 1* - Tipo - Abrev - Algoritmo - Ano - Ref
exemplo <https://github.com/yzhao062/pyod/blob/development/examples/ecod_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/abod_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/abod_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/copod_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/mad_example.py>__)Os métodos de ensemble (IForest, INNE, DIF, FB, LSCP, LODA, SUOD, XGBOD) estão incluídos na tabela acima. As funções de combinação de pontuações (média, maximização, AOM, MOA, mediana, voto majoritário) estão em pyod.models.combination. Consulte a documentação da API <https://pyod.readthedocs.io/en/latest/pyod.models.tabular.html>__ para obter detalhes.
(i-b) Detecção de anomalias em séries temporais :
Todos os detectores de séries temporais usam a mesma API fit/predict/decision_function dos detectores tabulares, com uma exceção: MatrixProfile é transdutivo (somente treinamento; use decision_scores_ e labels_ após fit(), sem predict fora da amostra).
Formato de entrada: array numpy de formato (n_timestamps,) para univariada ou (n_timestamps, n_channels) para multivariada. Cada linha é um passo de tempo; as colunas são canais/features. DataFrames e listas do Pandas são convertidos automaticamente. Saída: decision_scores_ de formato (n_timestamps,) com uma pontuação de anomalia por passo de tempo.
Detecção de séries temporais em 3 linhas:
.. code-block:: python
from pyod.models.ts_kshape import KShape # or any TS detector
clf = KShape(window_size=20)
clf.fit(X_train) # shape (n_timestamps,) or (n_timestamps, n_channels)
scores = clf.decision_scores_ # per-timestamp anomaly scores
Rankings de algoritmos do benchmark TSB-AD <https://github.com/TheDatumOrg/TSB-AD>__ [#Liu2024TSB]_ (NeurIPS 2024, 1070 conjuntos de dados):
.. list-table:: :widths: 15 18 50 5 12 :header-rows: 1
exemplo <https://github.com/yzhao062/pyod/blob/development/examples/ts_od_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/ts_matrix_profile_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/ts_spectral_residual_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/ts_kshape_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/ts_sand_example.py>__)(i-c) Detecção de anomalias em grafos (pip install pyod[graph]):
Todos os detectores de grafos são transdutivos na v1: use decision_scores_ e labels_ após fit(). Sem predict fora da amostra. Entrada: objeto Data do PyG com x (features dos nós) e edge_index (arestas COO). O SCAN funciona sem features.
Detecção em grafos em 3 linhas (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 object
scores = clf.decision_scores_ # per-node anomaly scores
Rankings de algoritmos do benchmark BOND <https://arxiv.org/abs/2206.10071>__ [#Liu2022BOND]_ (NeurIPS 2022, 14 conjuntos de dados):
.. list-table:: :widths: 18 18 45 5 14 :header-rows: 1
exemplo do dominant <https://github.com/yzhao062/pyod/blob/development/examples/pyg_dominant_example.py>__)exemplo do cola <https://github.com/yzhao062/pyod/blob/development/examples/pyg_cola_example.py>__)exemplo do conad <https://github.com/yzhao062/pyod/blob/development/examples/pyg_conad_example.py>__)exemplo do anomalydae <https://github.com/yzhao062/pyod/blob/development/examples/pyg_anomalydae_example.py>__)exemplo do guide <https://github.com/yzhao062/pyod/blob/development/examples/pyg_guide_example.py>__)(i-d) Detecção de anomalias em áudio (pip install pyod[audio]):
Os clipes de áudio usam a mesma API fit/decision_function. Dois caminhos estão disponíveis: um caminho leve de incorporação seguida de detecção (EmbeddingOD.for_audio() transforma cada clipe em um vetor acústico artesanal de 74 dimensões e executa qualquer detector clássico) e um detector profundo dedicado (AudioAE, um autoencoder de reconstrução log-mel). As entradas são caminhos de arquivo, arrays de forma de onda ou tuplas (waveform, sample_rate). Saída: uma pontuação de anomalia por clipe.
Detecção de áudio em 3 linhas (pip install pyod[audio]):
.. code-block:: python
from pyod.models.embedding import EmbeddingOD
clf = EmbeddingOD.for_audio('balanced') # 74-dim handcrafted features + KNN
clf.fit(train_clips) # list of file paths or waveform arrays
scores = clf.decision_scores_ # per-clip anomaly scores
.. list-table:: :widths: 18 18 45 5 14 :header-rows: 1
for_audio(): MFCC, chroma e features espectrais de 74 dimensões com qualquer detector(ii) Funções utilitárias:=================== ============================ ===================================================================================================================================================== Tipo Nome Função =================== ============================ ===================================================================================================================================================== Dados generate_data Geração de dados sintetizados; dados normais a partir de Gaussiana multivariada, outliers a partir de distribuição uniforme Dados generate_data_clusters Geração de dados sintetizados em clusters para padrões mais complexos Avaliação evaluate_print Imprime ROC-AUC e Precision @ Rank n para um detector Avaliação precision_n_scores Calcula Precision @ Rank n Utilitário get_label_n Converte escores brutos de outliers em rótulos binários, atribuindo 1 aos n maiores escores Estatística wpearsonr Calcula a correlação de Pearson ponderada de duas amostras Codificação resolve_encoder Resolve um encoder a partir de um nome de string, uma instância de BaseEncoder ou um callable Codificação SentenceTransformerEncoder Codifica texto por meio de modelos sentence-transformers (ex.: MiniLM, mpnet) Codificação OpenAIEncoder Codifica texto por meio da API OpenAI Embeddings (text-embedding-3-small/large) Codificação HuggingFaceEncoder Codifica texto ou imagens por meio de transformers da HuggingFace (BERT, DINOv2, CLIP) =================== ============================ =====================================================================================================================================================
Início Rápido para Detecção de Outliers ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^
O PyOD tem sido amplamente reconhecido pela comunidade de aprendizado de máquina, com alguns posts e tutoriais em destaque.
Analytics Vidhya: Um Tutorial Incrível para Aprender Detecção de Outliers em Python usando a Biblioteca PyOD <https://www.analyticsvidhya.com/blog/2019/02/outlier-detection-python-pyod/>__
KDnuggets: Visualização Intuitiva de Métodos de Detecção de Outliers <https://www.kdnuggets.com/2019/02/outlier-detection-methods-cheat-sheet.html>, Uma Visão Geral dos Métodos de Detecção de Outliers do PyOD <https://www.kdnuggets.com/2019/06/overview-outlier-detection-methods-pyod.html>
Towards Data Science: Detecção de Anomalias para Leigos <https://towardsdatascience.com/anomaly-detection-for-dummies-15f148e559c1>__
"examples/knn_example.py" <https://github.com/yzhao062/pyod/blob/master/examples/knn_example.py>__
demonstra a API básica de uso do detector kNN. Ressalta-se que a API em todos os outros algoritmos é consistente/similar.
Instruções mais detalhadas para executar os exemplos podem ser encontradas no diretório de exemplos <https://github.com/yzhao062/pyod/blob/master/examples>_.
#. Inicialize um detector kNN, ajuste o modelo e faça a predição.
.. 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]
#. Avalie a predição por ROC e 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)
#. Veja um exemplo de saída e visualização.
.. 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)
Agradecimentos ^^^^^^^^^^^^^^^
Este material é baseado em trabalho apoiado pela National Science Foundation
sob o Prêmio nº 2346158 <https://www.nsf.gov/awardsearch/showAward?AWD_ID=2346158>_
para "NSF POSE: Phase II: OpenAD: An Integrated Open-Source Ecosystem for
Anomaly Detection." O prêmio lista a Universidade de Illinois Chicago como a
organização líder e o Instituto de Tecnologia de Illinois, a Universidade de Lehigh e
a Universidade do Sul da Califórnia como organizações subcontratadas.
Quaisquer opiniões, descobertas e conclusões ou recomendações expressas neste material são de responsabilidade do(s) autor(es) e não refletem necessariamente as visões da National Science Foundation.
Referências ^^^^^^^^^
.. [#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. e Liu, H., 2017. Radar: Análise de Resíduos para Detecção de Anomalias em Redes Atribuídas. In Anais da Vigésima Sexta Conferência Internacional Conjunta sobre Inteligência Artificial, pp.2152-2158.
.. [#Peng2018ANOMALOUS] Peng, Z., Luo, M., Li, J., Liu, H. e Zheng, Q., 2018. ANOMALOUS: Uma Abordagem de Modelagem Conjunta para Detecção de Anomalias em Redes Atribuídas. In Anais da Vigésima Sétima Conferência Internacional Conjunta sobre Inteligência Artificial, pp.3529-3535.
.. [#Xu2007SCAN] Xu, X., Yuruk, N., Feng, Z. e Schweiger, T.A.J., 2007. SCAN: Um Algoritmo de Agrupamento Estrutural para Redes. In Anais da 13ª Conferência Internacional ACM SIGKDD sobre Descoberta de Conhecimento e Mineração de Dados, pp.824-833.
.. [#Liu2024TSB] Liu, Q., Boniol, P., Palpanas, T. e Paparrizos, J., 2024. TSB-AD: Rumo a um Benchmark Confiável para Detecção de Anomalias em Séries Temporais. In Avanços em Sistemas de Processamento Neural de Informação (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. e Yu, P.S., 2022. BOND: Avaliação Comparativa da Detecção Não Supervisionada de Nós Atípicos em Grafos Atribuídos Estáticos. In Avanços em Sistemas de Processamento Neural de Informação (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>exemplo <https://github.com/yzhao062/pyod/blob/development/examples/sos_example.py>exemplo <https://github.com/yzhao062/pyod/blob/development/examples/qmcd_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/kde_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/sampling_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/gmm_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/pca_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/kpca_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/mcd_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/cd_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/ocsvm_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/lmdd_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/lof_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/cof_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/cof_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/cblof_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/loci_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/hbos_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/hdbscan_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/knn_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/knn_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/knn_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/sod_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/rod_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/iforest_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/inne_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/dif_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/feature_bagging_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/lscp_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/xgbod_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/loda_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/suod_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/auto_encoder_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/vae_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/vae_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/so_gaal_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/mo_gaal_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/deepsvdd_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/alad_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/ae1svm_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/devnet_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/rgraph_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/lunar_example.py>__)exemplo <https://github.com/yzhao062/pyod/blob/development/examples/embedding_od_example.py>__)exemplo do radar <https://github.com/yzhao062/pyod/blob/development/examples/pyg_radar_example.py>__)exemplo do anomalous <https://github.com/yzhao062/pyod/blob/development/examples/pyg_anomalous_example.py>__)exemplo do scan <https://github.com/yzhao062/pyod/blob/development/examples/pyg_scan_example.py>__)