معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Bayesian Histogram-based Anomaly Detection

ویژگی	مقدار
سیستم عامل	-
نام فایل	bhad-0.0.9
نام	bhad
نسخه کتابخانه	0.0.9
نگهدارنده	['Alexander Vosseler']
ایمیل نگهدارنده	[]
نویسنده	Alexander Vosseler
ایمیل نویسنده	-
آدرس صفحه اصلی	https://github.com/AVoss84/bhad
آدرس اینترنتی	https://pypi.org/project/bhad/
مجوز	-

# Bayesian Histogram-based Anomaly Detection (BHAD) Python implementation of the BHAD algorithm as presented in [Vosseler, A. (2022): Unsupervised Insurance Fraud Prediction Based on Anomaly Detector Ensembles, Risks, 10(7), 132](https://www.mdpi.com/2227-9091/10/7/132) and [Vosseler, A. (2022): BHAD: Fast unsupervised anomaly detection using Bayesian histograms](https://www.researchgate.net/publication/364265660_BHAD_Fast_unsupervised_anomaly_detection_using_Bayesian_histograms). The code follows scikit-learn's standard API for [outlier detection](https://scikit-learn.org/stable/modules/outlier_detection.html). ## Installation ```bash pip install bhad ``` ## Usage 1.) Preprocess the input data: discretize continuous features and conduct Bayesian model selection (optionally). 2.) Train the model using discrete data. For convenience these two steps can be wrapped up via a scikit-learn pipeline (optionally). ```python from bhad.model import BHAD from bhad.utils import Discretize from sklearn.pipeline import Pipeline num_cols = [....] # names of numeric features cat_cols = [....] # categorical features pipe = Pipeline(steps=[ ('discrete', Discretize(nbins = None)), ('model', BHAD(contamination = 0.01, num_features = num_cols, cat_features = cat_cols)) ]) ``` For a given dataset get binary model decisons: ```python y_pred = pipe.fit_predict(X = dataset) ``` Get global model explanation as well as for individual observations: ```python from bhad.explainer import Explainer local_expl = Explainer(pipe.named_steps['model'], pipe.named_steps['discrete']).fit() local_expl.get_explanation(nof_feat_expl = 5, append = False) # individual explanations local_expl.global_feat_imp # global explanation ``` A detailed toy example using synthetic data for anomaly detection can be found [here](https://github.com/AVoss84/bhad/blob/main/src/notebooks/Toy_Example.ipynb) and an example using the Titanic dataset illustrating model explanability can be found [here](https://github.com/AVoss84/bhad/blob/main/src/notebooks/Titanic_Example.ipynb).

نیازمندی

مقدار	نام
==1.5.*	pandas
==1.1.*	scikit-learn
==0.13.*	statsmodels
==3.6.*	matplotlib
-	scipy
-	tqdm
-	jupyter
-	ipykernel

زبان مورد نیاز

مقدار	نام
>=3.8	Python

نحوه نصب

نصب پکیج whl bhad-0.0.9:

pip install bhad-0.0.9.whl

نصب پکیج tar.gz bhad-0.0.9:

pip install bhad-0.0.9.tar.gz