Skip to main content

A Distances Based Outlier Detector package

Project description

Welcome to PyDBOD’s documentation¶

Introduccion

Bienvenido a PyDBOD, la biblioteca de Python para la detección de anomalías usando algoritmos basados en distancias. En esta bibliotica tienes una amplia selección de algoritmos los cuales vamos a documentar a continuación. El uso de todos se reduce a la creación de un objeto de la clase respectiva y el uso del método fit_predict.

Para instalar el paquete o obtener una distribución usar el repositorio en github o en PyPI:

https://github.com/miki97/TFG-OutlierDetection

https://pypi.org/project/PyDBOD/

LOF

Local Outlier Factor (LOF), o en español factor de valor atı́pico local, es una cuantificación del valor atı́pico de un punto perteneciente al conjunto de datos. Esta cuantificación es capaz de ajustar las variaciones en las densidades locales.

LOF (_k = 20_)[¶](#LOF "Enlazar permanentemente con esta definición")

Constructor para la creación del objeto de la clase LOF.

Parámetros

int – k, número de k vecinos a calcular

Tipo del valor devuelto

objeto de la clase LOF

fit_predict(_data_)[¶](#fit_predict "Enlazar permanentemente con esta definición")

Método para aplicar el algoritmo LOF a una matriz de datos.

Parámetros

numpy.array – data, matriz de datos

Tipo del valor devuelto

numpy.array de puntuaciones de anomalía

LOOP

Local Outlier Probability (LoOP), esta técnica combina varios conceptos. En primer lugar, la idea de localidad, los algoritmos basados en densidad como LOF. Por otro lado, LOCI con conceptos probabilı́sticos.

LOOP (_k = 20_, _lamda=3_)[¶](#LOOP "Enlazar permanentemente con esta definición")

Constructor para la creación del objeto de la clase LOOP.

Parámetros
  • int – k, número de k vecinos a calcular

  • int – lamda, párametro para regular la normalización

Tipo del valor devuelto

objeto de la clase LOOP

fit_predict (_data_)

Método para aplicar el algoritmo LOOP a una matriz de datos.

Parámetros

numpy.array – data, matriz de datos

Tipo del valor devuelto

numpy.array de probabilidad anomalia [0-1]

LDOF

Local Outlier Probability (LoOP), utiliza la distancia relativa de un objeto a sus vecinos para medir la cantidad de objetos que se desvıían de su vecindario disperso.

LDOF (_k = 20_)[¶](#LDOF "Enlazar permanentemente con esta definición")

Constructor para la creación del objeto de la clase LDOF.

Parámetros

int – k, número de k vecinos a calcular

Tipo del valor devuelto

objeto de la clase LOOP

fit_predict (_data_)

Método para aplicar el algoritmo LDOF a una matriz de datos.

Parámetros

numpy.array – data, matriz de datos

Tipo del valor devuelto

numpy.array de puntuaciones de anomalía

PINN-LOF

Projection-Indexed Nearest-Neighbour (PINN), en este algoritmo se propone un método de detección de valores atı́picos locales proyectivo basado en LOF.

PINN-LOF(k = 20, t=2, s=1, h=20)

Constructor para la creación del objeto de la clase PINN-LOF.

Parámetros
  • int – k, número de k vecinos a calcular

  • int – t, probabilidad de seleccion de caracteristicas para la proyección

  • int – s, probabilidad de selección para la proyección

  • int – h, número de k vecinos a calcular en la proyección

Tipo del valor devuelto

objeto de la clase PINN-LOF

fit_predict (_data_)

Método para aplicar el algoritmo PINN-LOF a una matriz de datos.

Parámetros

numpy.array – data, matriz de datos

Tipo del valor devuelto

numpy.array de puntuaciones de anomalía

OUTRES

Outres es un algoritmo que propone desarrollar una puntuación de anomalı́as basada en la desviación de objetos en las proyecciones subespaciales. Para la selección de dichos subespacios se analiza la uniformidad de los datos en ellos.

OUTRES (_epsilon=15_, _alpha=0.01_)[¶](#OUTRES "Enlazar permanentemente con esta definición")

Constructor para la creación del objeto de la clase OUTRES.

Parámetros
  • int – epsilon, radio para la selección del vecindario

  • float – alpha, limite de uniformidad que se permite como interesante

Tipo del valor devuelto

objeto de la clase OUTRES

fit_predict (_data_)

Método para aplicar el algoritmo OUTRES a una matriz de datos.

Parámetros

numpy.array – data, matriz de datos

Tipo del valor devuelto

numpy.array de puntuaciones de anomalía

ODIN

Outlier Detection using Indegree Number (ODIN),es un algoritmo que hace uso del grafico de los k-vecinos más cercanos y usa el grado de los nodos para el calculo de anomalías

ODIN (_k=20_, _t=0.01_)[¶](#ODIN "Enlazar permanentemente con esta definición")

Constructor para la creación del objeto de la clase ODIN.

Parámetros
  • int – k, número de k vecinos a calcular

  • int – t, umbral de dicisión

Tipo del valor devuelto

objeto de la clase ODIN

fit_predict (_data_)

Método para aplicar el algoritmo ODIN a una matriz de datos.

Parámetros

numpy.array – data, matriz de datos

Tipo del valor devuelto

numpy.array de decisión 1-0

MeanDIST

El algoritmo MeanDIST usa la la media de las distancias en su vecindario para ordenar a los vérticesy seleccionar los que más se desvian.

MeanDIST (_k=20_, _t=1.5_)[¶](#MeanDIST "Enlazar permanentemente con esta definición")

Constructor para la creación del objeto de la clase MeanDIST.

Parámetros
  • int – k, número de k vecinos a calcular

  • int – t, parámatro para ampliar o reducir el umbral.

Tipo del valor devuelto

objeto de la clase MeanDIST

fit_predict (_data_)

Método para aplicar el algoritmo MeanDIST a una matriz de datos.

Parámetros

numpy.array – data, matriz de datos

Tipo del valor devuelto

numpy.array de decisión 1-0

KDIST

El algoritmo KDIST el máximo de las distancias a sus k-vecinos más cercanos para ordenar a los vértices y seleccionar los que más se desvian.

KDIST (_k=20_, _t=1.5_)[¶](#KDIST "Enlazar permanentemente con esta definición")

Constructor para la creación del objeto de la clase KDIST.

Parámetros
  • int – k, número de k vecinos a calcular

  • int – t, parámatro para ampliar o reducir el umbral.

Tipo del valor devuelto

objeto de la clase KDIST

fit_predict (_data_)

Método para aplicar el algoritmo KDIST a una matriz de datos.

Parámetros

numpy.array – data, matriz de datos

Tipo del valor devuelto

numpy.array de decisión 1-0

enumerate (_sequence_[, _start=0_])[¶](#enumerate "Enlazar permanentemente con esta definición")

PyDBOD

Navegación

Related Topics

<script type="text/javascript">$('#searchbox').show(0);</script>
©2019, Miguel Ángel López Robles. | Powered by [Sphinx 2.0.1](http://sphinx-doc.org/) & [Alabaster 0.7.12](https://github.com/bitprophet/alabaster) | [Page source](_sources/index.rst.txt)

Project details


Download files

Download the file for your platform. If you're not sure which to choose, learn more about installing packages.

Files for PyDBOD, version 1.1
Filename, size File type Python version Upload date Hashes
Filename, size PyDBOD-1.1-py3-none-any.whl (25.9 kB) File type Wheel Python version py3 Upload date Hashes View
Filename, size PyDBOD-1.1.tar.gz (104.5 kB) File type Source Python version None Upload date Hashes View

Supported by

Pingdom Pingdom Monitoring Google Google Object Storage and Download Analytics Sentry Sentry Error logging AWS AWS Cloud computing DataDog DataDog Monitoring Fastly Fastly CDN DigiCert DigiCert EV certificate StatusPage StatusPage Status page