Đây là ứng dụng Linux có tên Python Outlier Detection có bản phát hành mới nhất có thể tải xuống dưới dạng v1.0.8.zip. Nó có thể chạy trực tuyến trong nhà cung cấp dịch vụ lưu trữ miễn phí OnWorks cho máy trạm.
Tải xuống và chạy trực tuyến ứng dụng có tên Python Outlier Detection với OnWorks này miễn phí.
Làm theo các hướng dẫn sau để chạy ứng dụng này:
- 1. Đã tải ứng dụng này xuống PC của bạn.
- 2. Nhập vào trình quản lý tệp của chúng tôi https://www.onworks.net/myfiles.php?username=XXXXX với tên người dùng mà bạn muốn.
- 3. Tải lên ứng dụng này trong trình quản lý tệp như vậy.
- 4. Khởi động trình giả lập trực tuyến OnWorks Linux hoặc trình giả lập trực tuyến Windows hoặc trình mô phỏng trực tuyến MACOS từ trang web này.
- 5. Từ Hệ điều hành OnWorks Linux mà bạn vừa khởi động, hãy truy cập trình quản lý tệp của chúng tôi https://www.onworks.net/myfiles.php?username=XXXXX với tên người dùng mà bạn muốn.
- 6. Tải xuống ứng dụng, cài đặt và chạy nó.
MÀN HÌNH
Ad
Phát hiện ngoại lệ Python
MÔ TẢ
PyOD là một bộ công cụ Python toàn diện và có thể mở rộng để phát hiện các đối tượng bên ngoài trong dữ liệu đa lượng biến. Lĩnh vực thú vị nhưng đầy thách thức này thường được gọi là phát hiện ngoại lệ hoặc phát hiện bất thường. PyOD bao gồm hơn 30 thuật toán phát hiện, từ LOF cổ điển (SIGMOD 2000) đến COPOD mới nhất (ICDM 2020) và SUOD (MLSys 2021). Kể từ năm 2017, PyOD [AZNL19] đã được sử dụng thành công trong nhiều nghiên cứu học thuật và các sản phẩm thương mại [AZHC + 21, AZNHL19]. PyOD có nhiều mô hình dựa trên mạng nơ-ron, ví dụ: AutoEncoders, được triển khai trong cả PyTorch và Tensorflow. PyOD chứa nhiều mô hình cũng tồn tại trong scikit-learning. Có thể đào tạo và dự đoán với một số lượng lớn các mô hình phát hiện trong PyOD bằng cách tận dụng khung SUOD. Một điểm chuẩn được cung cấp cho các thuật toán chọn lọc để cung cấp tổng quan về các mô hình được triển khai. Tổng cộng, 17 bộ dữ liệu điểm chuẩn được sử dụng để so sánh, có thể tải xuống tại ODDS.
Tính năng
- Các API hợp nhất, tài liệu chi tiết và các ví dụ tương tác qua các thuật toán khác nhau
- Các mô hình nâng cao, bao gồm các mô hình cổ điển từ scikit-learning, các phương pháp học sâu mới nhất và các thuật toán mới nổi như COPOD
- Hiệu suất được tối ưu hóa với JIT và song song hóa khi có thể, sử dụng numba và joblib
- Đào tạo và dự đoán nhanh với SUOD
- Tương thích với cả Python 2 & 3
- Các thuật toán phát hiện riêng lẻ
Ngôn ngữ lập trình
Python
Danh Mục
Đây là một ứng dụng cũng có thể được tìm nạp từ https://sourceforge.net/projects/python-outlier-detect.mirror/. Nó đã được lưu trữ trên OnWorks để có thể chạy trực tuyến một cách dễ dàng nhất từ một trong những Hệ thống hoạt động miễn phí của chúng tôi.