Это приложение для Linux под названием Python Outlier Detection, последнюю версию которого можно загрузить как v1.0.8.zip. Его можно запустить онлайн на бесплатном хостинг-провайдере OnWorks для рабочих станций.
Загрузите и запустите онлайн это приложение под названием Python Outlier Detection с OnWorks бесплатно.
Следуйте этим инструкциям, чтобы запустить это приложение:
- 1. Загрузил это приложение на свой компьютер.
- 2. Введите в нашем файловом менеджере https://www.onworks.net/myfiles.php?username=XXXXX с желаемым именем пользователя.
- 3. Загрузите это приложение в такой файловый менеджер.
- 4. Запустите онлайн-эмулятор OnWorks Linux или Windows или онлайн-эмулятор MACOS с этого веб-сайта.
- 5. В только что запущенной ОС OnWorks Linux перейдите в наш файловый менеджер https://www.onworks.net/myfiles.php?username=XXXXX с желаемым именем пользователя.
- 6. Скачайте приложение, установите его и запустите.
СКРИНШОТЫ
Ad
Обнаружение выбросов Python
ОПИСАНИЕ
PyOD - это всеобъемлющий и масштабируемый набор инструментов Python для обнаружения удаленных объектов в многомерных данных. Эта захватывающая, но сложная область обычно называется обнаружением выбросов или обнаружением аномалий. PyOD включает более 30 алгоритмов обнаружения, от классического LOF (SIGMOD 2000) до новейшего COPOD (ICDM 2020) и SUOD (MLSys 2021). С 2017 года PyOD [AZNL19] успешно используется во многих академических исследованиях и коммерческих продуктах [AZHC + 21, AZNHL19]. PyOD имеет несколько моделей на основе нейронных сетей, например AutoEncoders, которые реализованы как в PyTorch, так и в Tensorflow. PyOD содержит несколько моделей, которые также существуют в scikit-learn. Можно обучать и прогнозировать с помощью большого количества моделей обнаружения в PyOD, используя структуру SUOD. Для избранных алгоритмов предоставляется эталонный тест, позволяющий получить обзор реализованных моделей. Всего для сравнения используется 17 наборов эталонных данных, которые можно скачать на ODDS.
Особенности
- Унифицированные API, подробная документация и интерактивные примеры для различных алгоритмов
- Продвинутые модели, в том числе классические из scikit-learn, новейшие методы глубокого обучения и новые алгоритмы, такие как COPOD
- Оптимизированная производительность с JIT и распараллеливанием, когда это возможно, с использованием numba и joblib
- Быстрое обучение и прогнозирование с помощью SUOD
- Совместим как с Python 2, так и с 3
- Алгоритмы индивидуального обнаружения
Язык программирования
Питон
Категории
Это приложение также можно загрузить с https://sourceforge.net/projects/python-outlier-detect.mirror/. Он размещен в OnWorks, чтобы его можно было легко запускать в Интернете с помощью одной из наших бесплатных операционных систем.
