文件名称：MetaOD:通过元学习自动执行异常值检测（代码，API和贡献说明）
文件大小：22.27MB
文件格式：ZIP
更新时间：2024-05-13 00:24:35
python model-selection outlier-detection automated-machine-learning anomaly-detection
通过元学习（MetaOD）自动进行异常值检测 发展状况：从2020年9月26日起，MetaOD处于积极开发阶段，处于alpha阶段。 请关注，加注星标和获取最新更新！ 有关纸张的再现性，请参见paper_reproducibility文件夹以获取指导。 给定新数据集上的非监督离群值检测（OD）任务，我们如何自动选择一种好的离群值检测方法及其超参数（统称为模型）？ 到目前为止，OD的模型选择已经成为一种“妖术”。 因为缺少（i）带有标签的保留数据，以及（ii）通用目标函数，因此任何模型评估都不可行。 在这项工作中，我们开发了基于元学习的第一个原则性的数据驱动方法来为OD选择模型，称为MetaOD。 简而言之，MetaOD在广泛的OD基准数据集上进行了培训，以利用先前的经验，从而可以为看不见的数据集选择性能最佳的模型。 使用MetaOD很容易。 您可以传入一个数据集，MetaOD将为其返
【文件预览】：
MetaOD-master
----setup.py(2KB)
----.gitignore(2KB)
----paper_reproducibility()
--------requirements.txt(110B)
--------POC()
--------README.md(802B)
--------ST()
----requirements.txt(94B)
----metaod()
--------__init__.py(0B)
--------models()
--------version.py(579B)
--------test()
----.travis.yml(749B)
----MANIFEST.in(136B)
----setup.cfg(40B)
----examples()
--------meta_feature_generation_example.py(0B)
--------model_selection_example.py(2KB)
----README.rst(7KB)
----appveyor.yml(911B)
----.circleci()
--------config.yml(1KB)
----docs()
--------images()
----saved_models()
--------trained_models.zip(14.01MB)