孤立森林模型用来检测时间序列异常点的Python代码

孤立森林（Isolation Forest，IF）虽然主要用于无监督的异常检测，但它也可以应用于时间序列异常点的检测。由于它是基于随机分割的，所以可以处理非线性和高维数据。以下是使用 Python 中 `sklearn.ensemble` 库实现孤立森林检测时间序列异常点的一个简单示例：

# 导入必要的库
from sklearn.ensemble import IsolationForest
import numpy as np
import pandas as pd

# 假设你有一个名为 'time_series_data' 的时间序列 DataFrame
# time_series_data = ...

# 提取时间序列数据作为一维数组
data = time_series_data.values.flatten()

# 设置 Isolation Forest 参数（例如，n_estimators=100）
model = IsolationForest(n_estimators=100, contamination='auto', max_samples=len(data), random_state=42)

# 训练模型
model.fit(data)

# 获取预测结果（得分越低，越可能是异常点）
scores = model.decision_function(data)

# 将得分转换为二进制标签（例如，低于阈值的为异常）
threshold = model.threshold_  # 可以根据需要调整阈值
anomaly_labels = scores < threshold

# 创建一个新的 DataFrame 包含原始数据和异常标签
anomaly_df = pd.DataFrame({'Time_Series': data, 'Anomaly_Label': anomaly_labels})