Décomposition de séries temporelles pour la détection d'anomalies

Détection d’anomalies en Python

Bekhruz (Bex) Tuychiev

Kaggle Master, Data Science Content Creator

Saisonnalité

Motifs récurrents dans la série temporelle
Fréquence fixe :
- horaire
- quotidien
- hebdomadaire
- mensuel, etc.
Exemples :
- Températures quotidiennes
- Ventes de glaces

Saisonnalité

Courbe des cours d'ouverture des actions Google.

seasonal_decompose

from statsmodels.tsa.seasonal import seasonal_decompose

results = seasonal_decompose(google['Open'], period=365)

print(results)

<statsmodels.tsa.seasonal.DecomposeResult object at 0x7f0a67fac820>

Tracer la saisonnalité

results.seasonal.plot(color="red", figsize=(12, 4))

Courbe de la composante saisonnière des cours d'ouverture de Google

Exemples de saisonnalité

Exemples de saisonnalité dans des séries temporelles.

Graphique initial des actions

Graphique initial des cours d'ouverture de Google

Tendance

results.trend.plot(color="red", figsize=(12, 4))

Exemples de tendances

Exemples de tendances de séries temporelles.

Résidus

results.resid.plot(color="red", figsize=(12, 4))

Courbe des résidus des cours d'ouverture de Google.

Décomposition

figure = results.plot()

figure.set_figwidth(12)
figure.set_figheight(8)

Visualisation des trois composantes d'une série temporelle.

Ajuster un classifieur

# Extract and reshape residuals
results = seasonal_decompose(google['Volume'], period=365)
residuals = results.resid
residuals = residuals.values.reshape(-1, 1)


# Fit MAD
mad = MAD().fit(residuals)


# Find the outliers
is_outlier = mad.labels_ == 1
outliers = google[is_outlier]

print(len(outliers))

Passons à la pratique !

Détection d’anomalies en Python