Dekompozycja szeregów czasowych do wykrywania wartości odstających

Wykrywanie anomalii w Pythonie

Bekhruz (Bex) Tuychiev

Kaggle Master, Data Science Content Creator

Sezonowość

Powtarzające się wzorce w szeregu czasowym
Stała częstotliwość:
- godzinowa
- dzienna
- tygodniowa
- miesięczna itp.
Przykłady:
- Dzienne temperatury
- Sprzedaż lodów

Sezonowość

Wykres liniowy cen otwarcia akcji 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>

Wizualizacja sezonowości

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

Wykres sezonowości cen otwarcia akcji Google

Przykłady sezonowości

Przykłady sezonowości w szeregach czasowych.

Wstępny wykres akcji

Wstępny wykres cen otwarcia akcji Google

Trend

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

Przykłady trendu

Przykłady trendów w szeregach czasowych.

Reszty

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

Wykres reszt cen otwarcia akcji Google.

Dekompozycja

figure = results.plot()

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

Wizualizacja trzech składowych szeregu czasowego.

Dopasowanie klasyfikatora

# 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))

Czas na ćwiczenia!

Wykrywanie anomalii w Pythonie