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

Python Outlier Detection (PyOD) 3

PyOD 3: Агентное обнаружение аномалий в масштабе

|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 готов к работе с агентами.** Claude Code и Codex могут использовать навык ``od-expert`` для управления исследованиями ADEngine, а агенты, совместимые с MCP, могут обращаться к знаниям PyOD о детекторах и инструментам планирования. Классический API ``fit``/``predict`` остаётся без изменений.

PyOD 3 — наиболее полная библиотека Python для обнаружения аномалий. Четыре столпа:

=========================== ======================================================================================== Столп Что это значит =========================== ======================================================================================== Multi-Modal 61 детектор для данных табличного типа, временных рядов, графов, текста, изображений и аудио — единый API Full Lifecycle От необработанных данных до объяснённых аномалий и рекомендаций по следующим шагам за один вызов Agentic od-expert превращает запросы на естественном языке в рабочие процессы ADEngine; MCP предоставляет структурированные инструменты для других агентов Most Used 46+ миллионов загрузок; маршрутизация на основе бенчмарков (ADBench, TSB-AD, BOND, NLP-ADBench) =========================== ========================================================================================

Установка ^^^^^^^^^

Базовая библиотека (требуется для любого пути активации):

.. code-block:: bash

pip install pyod

Затем выберите путь активации, соответствующий вашему стеку агентов:

.. 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

Запустите pyod info в любой момент, чтобы увидеть версию, количество детекторов и состояние установки каждого пути активации. pyod info также определяет, какой стек агентов установлен у вас (~/.claude/ для Claude Code, ~/.codex/ для Codex), и рекомендует правильную команду установки.

Подробнее об установке через conda, из исходного кода, о зависимостях и устранении неполадок см. в полном руководстве по установке <https://pyod.readthedocs.io/en/latest/install.html>__. Устаревшая команда pyod-install-skill из версии v3.0.0 по-прежнему работает как псевдоним для pyod install skill.

Обнаружение выбросов с помощью 5 строк кода (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

Три способа использования PyOD:

========= ===================== ====================================================================== ======================================= Уровень Название Когда использовать Точка входа ========= ===================== ====================================================================== ======================================= 1 Классический API Вы знаете, какой детектор вам нужен Примеры уровня 1 <https://pyod.readthedocs.io/en/latest/examples/tabular.html>__ 2 ADEngine Вы хотите, чтобы PyOD выбирал, сравнивал и оценивал автоматически Пошаговое руководство уровня 2 <https://pyod.readthedocs.io/en/latest/examples/adengine.html>__ 3 Агентное исследование Вы хотите, чтобы ИИ-агент вёл OD через естественный диалог Пошаговое руководство уровня 3 <https://pyod.readthedocs.io/en/latest/examples/agentic.html>__ ========= ===================== ====================================================================== =======================================

Уровни 2 и 3 работают на базе ADEngine — ядра оркестрации жизненного цикла PyOD. Полный многораундовый процесс исследования уровня 3 доступен через навык od-expert для Claude Code и Codex. MCP-сервер (python -m pyod.mcp_server) предоставляет десять инструментов без сохранения состояния для LLM, совместимых с MCP, охватывающих запросы к базе знаний (list_detectors, explain_detector, compare_detectors, get_benchmarks), планирование (profile_data, plan_detection, build_detector) и обнаружение (run_detection, analyze_results, explain_findings); инструменты MCP с сохранением состояния / отложены.

.. 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

На рисунке выше показан реальный диалог ИИ-агента из 5 раундов на наборе данных UCI Cardiotocography. См. полное пошаговое руководство <https://pyod.readthedocs.io/en/latest/examples/agentic.html>, запускаемый пример агентного режима <https://github.com/yzhao062/pyod/blob/development/examples/agentic_example.py> или интерактивную HTML-демонстрацию <https://htmlpreview.github.io/?https://github.com/yzhao062/pyod/blob/development/examples/agentic_demo.html>__.

Экосистема PyOD и ресурсы: NLP-ADBench <https://github.com/USC-FORTIS/NLP-ADBench>__ (обнаружение аномалий в NLP) | TODS <https://github.com/datamllab/tods>__ (временные ряды) | PyGOD <https://pygod.org/>__ (графы) | ADBench <https://github.com/Minqi824/ADBench>__ (бенчмарк) | AD-LLM <https://arxiv.org/abs/2412.11142>__ (обнаружение аномалий на основе LLM) [#Yang2024ad]_ | Ресурсы <https://github.com/yzhao062/anomaly-detection-resources>__

О PyOD ^^^^^^^^^^

PyOD, созданная в 2017 году, — самая долгоживущая и наиболее широко используемая библиотека Python для обнаружения аномалий. С 46+ миллионами загрузок <https://pepy.tech/project/pyod>__ она служит как академическим исследованиям (освещается в 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> и Towards Data Science <https://towardsdatascience.com/anomaly-detection-for-dummies-15f148e559c1>__), так и коммерческим продуктам.

V3 расширяет библиотеку за счёт ADEngine (оркестрация жизненного цикла) и навыка od-expert (агентный рабочий процесс), сохраняя полную обратную совместимость классического API fit/predict. V3 построена на SUOD [#Zhao2021SUOD]_ для быстрого параллельного обучения и numba JIT для ускорения отдельных моделей.

Влияние и признание:

=================================== =========================================================================== Область Примеры =================================== =========================================================================== Космос и наука Европейское космическое агентство бенчмарк телеметрии космического аппарата OPS-SAT <https://www.nature.com/articles/s41597-025-05035-3>__ (Nature Scientific Data, 2025) использует PyOD для всех 30 алгоритмов. Корпоративное внедрение Walmart (1M+ ежедневных обновлений цен, KDD 2019), Databricks (фреймворк Kakapo, интегрирующий PyOD с MLflow/Hyperopt; обнаружение инсайдерских угроз), IQVIA (123K+ аптечных заявок), Altair AI Studio, Ericsson (патент WO2023166515A1 <https://patents.google.com/patent/WO2023166515A1>). Книги Outlier Detection in Python <https://www.manning.com/books/outlier-detection-in-python> (Бретт Кеннеди, Manning); Handbook of Anomaly Detection with Python (Крис Куо, Колумбийский университет); Finding Ghosts in Your Data <https://link.springer.com/book/10.1007/978-1-4842-8870-2>__ (Кевин Физел, Apress). Курсы DataCamp Anomaly Detection in Python <https://www.datacamp.com/courses/anomaly-detection-in-python>__ (19M+ учащихся платформы), Manning liveProject <https://www.manning.com/liveproject/using-pyod-and-ensembles-methods>, видеоверсия O'Reilly, множество курсов на Udemy. Подкасты , ), японский, корейский, немецкий, испанский. =================================== ===========================================================================

Полный список цитирований, корпоративных внедрений, патентов и упоминаний в СМИ см. на странице о влиянии <https://pyod.readthedocs.io/en/latest/impact.html>__ на Read the Docs.

Цитирование PyOD:

Если вы используете PyOD в научной публикации, мы будем признательны за цитирование следующих статей:

PyOD 2: A Python Library for Outlier Detection with LLM-powered Model Selection <https://arxiv.org/abs/2412.12154>__ доступна в виде препринта. Если вы используете PyOD в научной публикации, мы будем признательны за цитирование следующей статьи::

@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}
}

Статья о PyOD <http://www.jmlr.org/papers/volume20/19-011/19-011.pdf>__ опубликована в Journal of Machine Learning Research (JMLR) <http://www.jmlr.org/>__ (трек 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}
}

или::

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.

Для более широкого взгляда на обнаружение аномалий см. наши статьи NeurIPS об ADBench <https://arxiv.org/abs/2206.09426>__ [#Han2022ADBench]_ и ADGym <https://arxiv.org/abs/2309.15376>__.

Содержание:

• Шпаргалка и справочник по API <#api-cheatsheet--reference>__
• Бенчмарки <#benchmarks>__
• Реализованные алгоритмы <#implemented-algorithms>__ (Табличные данные, Временные ряды, Графы, Эмбеддинги)
• Дополнительные темы <#additional-topics>__ (Сохранение/загрузка моделей, SUOD, Пороговые значения)
• Быстрый старт для обнаружения выбросов <#quick-start-for-outlier-detection>__
• Как внести вклад <#how-to-contribute>__
• Критерии включения <#inclusion-criteria>__

Шпаргалка и справочник по API ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^

Полный справочник по API разбит по модальностям в документации PyOD <https://pyod.readthedocs.io/en/latest/>: Табличные данные <https://pyod.readthedocs.io/en/latest/pyod.models.tabular.html>, Временные ряды <https://pyod.readthedocs.io/en/latest/pyod.models.timeseries.html>, Графы <https://pyod.readthedocs.io/en/latest/pyod.models.graph.html>, Эмбеддинги <https://pyod.readthedocs.io/en/latest/pyod.models.embedding.html>, ADEngine <https://pyod.readthedocs.io/en/latest/pyod.ad_engine.html>, Утилиты <https://pyod.readthedocs.io/en/latest/pyod.utils.html>__. Ниже приведена краткая шпаргалка по всем детекторам:

• fit(X): Обучите детектор. Параметр y игнорируется в методах без учителя.
• decision_function(X): Предскажите исходные аномальные оценки для X с помощью обученного детектора.
• predict(X): Определите, является ли выборка выбросом, в виде бинарных меток с помощью обученного детектора.
• predict_proba(X): Оцените вероятность того, что выборка является выбросом, с помощью обученного детектора.
• predict_confidence(X): Оцените уверенность модели для каждой выборки (применимо в predict и predict_proba) [#Perini2020Quantifying]_.
• predict_with_rejection(X)\ : Позвольте детектору отклонять (т.е. воздерживаться от вынесения) крайне неуверенные предсказания (выход = -2) [#Perini2023Rejection]_.

Ключевые атрибуты обученной модели:

• decision_scores_: Оценки выбросов обучающих данных. Более высокие оценки, как правило, указывают на более аномальное поведение. Обычно выбросы имеют более высокие оценки.
• labels_: Бинарные метки обучающих данных, где 0 означает нормальные наблюдения, а 1 — выбросы/аномалии.

Бенчмарки ^^^^^^^^^

• ADBench <https://github.com/Minqi824/ADBench>__ [#Han2022ADBench]_: 30 алгоритмов на 57 табличных наборах данных. См. сравнение <https://github.com/yzhao062/pyod/blob/master/examples/compare_all_models.py>__.
• NLP-ADBench <https://github.com/USC-FORTIS/NLP-ADBench>__: 19 методов на 8 текстовых наборах данных. Двухэтапный подход (эмбеддинг + детектор) превосходит сквозной.
• TSB-AD <https://github.com/TheDatumOrg/TSB-AD>__ [#Liu2024TSB]_: 40 алгоритмов на 1070 наборах данных временных рядов (NeurIPS 2024).
• BOND <https://arxiv.org/abs/2206.10071>__ [#Liu2022BOND]_: 14 алгоритмов обнаружения* - Тип
  • Сокр.
  • Алгоритм
  • Год
  • Ссылка
  • • Вероятностный
    • ECOD
    • Обнаружение выбросов без учителя с использованием эмпирических функций распределения (пример <https://github.com/yzhao062/pyod/blob/development/examples/ecod_example.py>__)
    • 2022
    • [#Li2021ECOD]_
  • • Вероятностный
    • ABOD
    • Обнаружение выбросов на основе углов (пример <https://github.com/yzhao062/pyod/blob/development/examples/abod_example.py>__)

Ансамблевые методы (IForest, INNE, DIF, FB, LSCP, LODA, SUOD, XGBOD) включены в таблицу выше. Функции комбинирования оценок (average, maximization, AOM, MOA, median, majority vote) находятся в pyod.models.combination. Подробнее см. в документации API <https://pyod.readthedocs.io/en/latest/pyod.models.tabular.html>__.

(i-b) Обнаружение аномалий во временных рядах :

Все детекторы временных рядов используют тот же API fit/predict/decision_function, что и табличные детекторы, за одним исключением: MatrixProfile является трансдуктивным (только обучение; используйте decision_scores_ и labels_ после fit(), без predict на новых данных).

Формат входных данных: массив numpy формы (n_timestamps,) для одномерных рядов или (n_timestamps, n_channels) для многомерных. Каждая строка — один временной шаг; столбцы — каналы/признаки. Pandas DataFrames и списки преобразуются автоматически. Выходные данные: decision_scores_ формы (n_timestamps,) с одной оценкой аномальности на каждый временной шаг.

Обнаружение аномалий во временных рядах в 3 строки:

.. 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

Рейтинги алгоритмов по данным бенчмарка TSB-AD <https://github.com/TheDatumOrg/TSB-AD>__ [#Liu2024TSB]_ (NeurIPS 2024, 1070 наборов данных):

.. list-table:: :widths: 15 18 50 5 12 :header-rows: 1

• • Тип
  • Сокр.
  • Алгоритм
  • Год
  • Ссылка
• • Оконный мост
  • TimeSeriesOD
  • Любой детектор PyOD на скользящих окнах (пример <https://github.com/yzhao062/pyod/blob/development/examples/ts_od_example.py>__)
  • 2026
• • Подпоследовательность
  • MatrixProfile
  • Matrix Profile через STOMP, трансдуктивный (пример <https://github.com/yzhao062/pyod/blob/development/examples/ts_matrix_profile_example.py>__)
  • 2016
  • [#Yeh2016Matrix]_
• • Частотный
  • SpectralResidual
  • Спектральный остаток: значимость на основе БПФ (пример <https://github.com/yzhao062/pyod/blob/development/examples/ts_spectral_residual_example.py>__)
  • 2019
  • [#Ren2019Time]_
• • Кластеризация
  • KShape
  • Кластеризация k-Shape (#2 в TSB-AD) (пример <https://github.com/yzhao062/pyod/blob/development/examples/ts_kshape_example.py>__)
  • 2015
  • [#Paparrizos2015KShape]_
• • Потоковый
  • SAND
  • Потоковый метод с адаптацией к дрейфу, экспериментальный (пример <https://github.com/yzhao062/pyod/blob/development/examples/ts_sand_example.py>__)
  • 2021

(i-c) Обнаружение аномалий в графах (pip install pyod[graph]):

Все графовые детекторы в v1 являются трансдуктивными: используйте decision_scores_ и labels_ после fit(). predict на новых данных отсутствует. Входные данные: объект Data из PyG с x (признаки узлов) и edge_index (рёбра в формате COO). SCAN работает без признаков.

Обнаружение аномалий в графах в 3 строки (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

Рейтинги алгоритмов по данным бенчмарка BOND <https://arxiv.org/abs/2206.10071>__ [#Liu2022BOND]_ (NeurIPS 2022, 14 наборов данных):

.. list-table:: :widths: 18 18 45 5 14 :header-rows: 1

• • Тип
  • Сокр.
  • Алгоритм
  • Год
  • Ссылка
• • GCN-автоэнкодер
  • DOMINANT
  • GCN AE, реконструкция структуры и атрибутов (#1 среди глубоких методов BOND) (пример dominant <https://github.com/yzhao062/pyod/blob/development/examples/pyg_dominant_example.py>__)
  • 2019
  • [#Ding2019DOMINANT]_
• • Контрастивный
  • CoLA
  • Контрастивное самоконтролируемое обучение, контекст локальных соседей (#2 среди глубоких методов BOND) (пример cola <https://github.com/yzhao062/pyod/blob/development/examples/pyg_cola_example.py>__)
  • 2022
  • [#Liu2022CoLA]_
• • Контрастивный + AE
  • CONAD
  • Контрастивный метод с внедрением аномального представления + двойная реконструкция (пример conad <https://github.com/yzhao062/pyod/blob/development/examples/pyg_conad_example.py>__)
  • 2022
  • [#Xu2022CONAD]_
• • AE со вниманием
  • AnomalyDAE
  • Структурный кодировщик GAT + кодировщик атрибутов MLP (пример anomalydae <https://github.com/yzhao062/pyod/blob/development/examples/pyg_anomalydae_example.py>__)
  • 2020
  • [#Fan2020AnomalyDAE]_
• • Мотивный AE
  • GUIDE
  • Двойной GCN AE на исходной матрице смежности и матрице смежности треугольных мотивов (пример guide <https://github.com/yzhao062/pyod/blob/development/examples/pyg_guide_example.py>__)

(i-d) Обнаружение аномалий в аудио (pip install pyod[audio]):

Аудиоклипы используют тот же API fit/decision_function. Доступны два пути: лёгкий путь «сначала эмбеддинг, затем обнаружение» (EmbeddingOD.for_audio() превращает каждый клип в 74-мерный вектор ручных акустических признаков и запускает любой классический детектор), и специализированный глубокий детектор (AudioAE — автоэнкодер реконструкции log-mel спектрограмм). Входные данные — пути к файлам, массивы сигналов или кортежи (waveform, sample_rate). Выход: одна оценка аномальности на клип.

Обнаружение аномалий в аудио в 3 строки (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

• • Тип
  • Сокр.
  • Алгоритм
  • Год
  • Ссылка
• • Сначала эмбеддинг, затем обнаружение
  • EmbeddingOD
  • for_audio(): 74-мерные MFCC, хрома и спектральные признаки с любым детектором
  • 2026
• • Глубокий AE
  • AudioAE
  • Автоэнкодер реконструкции log-mel спектрограмм (базовая линия DCASE 2020 Task 2)
  • 2020

(ii) Вспомогательные функции:=================== ============================ ===================================================================================================================================================== Тип Имя Функция =================== ============================ ===================================================================================================================================================== Данные generate_data Синтезированная генерация данных; нормальные данные из многомерного распределения Гаусса, выбросы из равномерного распределения Данные generate_data_clusters Синтезированная генерация данных кластерами для более сложных паттернов Оценка evaluate_print Вывод ROC-AUC и Precision @ Rank n для детектора Оценка precision_n_scores Расчёт Precision @ Rank n Утилита get_label_n Преобразование сырых оценок выбросов в бинарные метки путём присвоения 1 топ-n оценкам Статистика wpearsonr Расчёт взвешенной корреляции Пирсона для двух выборок Кодирование resolve_encoder Разрешение энкодера по строковому имени, экземпляру BaseEncoder или вызываемому объекту Кодирование SentenceTransformerEncoder Кодирование текста с помощью моделей sentence-transformers (например, MiniLM, mpnet) Кодирование OpenAIEncoder Кодирование текста через OpenAI Embeddings API (text-embedding-3-small/large) Кодирование HuggingFaceEncoder Кодирование текста или изображений с помощью трансформеров HuggingFace (BERT, DINOv2, CLIP) =================== ============================ =====================================================================================================================================================

Быстрый старт по обнаружению выбросов ^^^^^^^^^^^^^^^^^^^^^^^^^

PyOD получил широкое признание в сообществе машинного обучения благодаря ряду избранных публикаций и руководств.

Analytics Vidhya: Отличное руководство по обнаружению выбросов в Python с использованием библиотеки PyOD <https://www.analyticsvidhya.com/blog/2019/02/outlier-detection-python-pyod/>__

KDnuggets: Наглядная визуализация методов обнаружения выбросов <https://www.kdnuggets.com/2019/02/outlier-detection-methods-cheat-sheet.html>, Обзор методов обнаружения выбросов из PyOD <https://www.kdnuggets.com/2019/06/overview-outlier-detection-methods-pyod.html>

Towards Data Science: Обнаружение аномалий для чайников <https://towardsdatascience.com/anomaly-detection-for-dummies-15f148e559c1>__

"examples/knn_example.py" <https://github.com/yzhao062/pyod/blob/master/examples/knn_example.py>__ демонстрирует базовый API использования kNN-детектора. Отметим, что API всех остальных алгоритмов единообразен/схож.

Более подробные инструкции по запуску примеров можно найти в каталоге examples <https://github.com/yzhao062/pyod/blob/master/examples>__.

#. Инициализируйте kNN-детектор, обучите модель и выполните прогнозирование.

.. 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]

#. Оцените прогноз с помощью ROC и 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)

#. Посмотрите пример вывода и визуализацию.

.. 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)

Благодарности ^^^^^^^^^^^^^^

Этот материал основан на работе, поддержанной Национальным научным фондом (National Science Foundation) в рамках гранта № 2346158 <https://www.nsf.gov/awardsearch/showAward?AWD_ID=2346158>_ за проект "NSF POSE: Phase II: OpenAD: An Integrated Open-Source Ecosystem for Anomaly Detection." В гранте указаны Иллинойсский университет в Чикаго в качестве ведущей организации, а Иллинойсский технологический институт, Университет Лихай и Университет Южной Калифорнии — в качестве организаций-соисполнителей.

Любые мнения, результаты, выводы или рекомендации, выраженные в этом материале, принадлежат автор(ам) и не обязательно отражают точку зрения Национального научного фонда.

Источники ^^^^^^^^^

.. [#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. В Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence, стр. 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. В Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence, стр. 3529-3535.

.. [#Xu2007SCAN] Xu, X., Yuruk, N., Feng, Z. and Schweiger, T.A.J., 2007. SCAN: A Structural Clustering Algorithm for Networks. В Proceedings of the 13th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, стр. 824-833.

.. [#Liu2024TSB] Liu, Q., Boniol, P., Palpanas, T. and Paparrizos, J., 2024. TSB-AD: Towards A Reliable Time-Series Anomaly Detection Benchmark. В 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. В Advances in Neural Information Processing Systems (NeurIPS).