NAB可视化工具使用教程：利用plot.py进行异常检测结果分析
NAB可视化工具使用教程：利用plot.py进行异常检测结果分析
【免费下载链接】NABThe Numenta Anomaly Benchmark项目地址: https://gitcode.com/gh_mirrors/na/NAB
NAB（Numenta Anomaly Benchmark）是一个强大的异常检测评估框架，而plot.py作为其核心可视化工具，能够帮助开发者直观分析异常检测结果。本教程将带你快速掌握如何使用plot.py工具生成专业的异常检测可视化图表，轻松对比不同算法的检测效果。
🌟 准备工作：环境与依赖
在开始使用plot.py之前，请确保你的环境满足以下要求：
- Python 2.7环境（推荐使用项目提供的Docker配置：Dockerfile.py27）
- 安装必要依赖：
pip install -r requirements.txt - （可选）Plotly账号：用于在线绘图（需设置
PLOTLY_API_KEY和PLOTLY_USERNAME环境变量）
获取项目代码：
git clone https://gitcode.com/gh_mirrors/na/NAB cd NAB🚀 基础使用：生成单检测器可视化结果
plot.py位于项目的nab/目录下，提供了简单直观的命令行接口。最基本的使用方式是可视化单个数据文件的异常检测结果：
python nab/plot.py --title="服务器CPU异常检测" data/realAWSCloudwatch/ec2_cpu_utilization_24ae8d.csv常用参数解析
| 参数 | 功能 | 示例 |
|---|---|---|
--value | 选择可视化数据类型 | --value=likelihood（显示异常可能性分数） |
--labels | 显示真实异常标签 | --labels（默认启用） |
--windows | 显示异常窗口区域 | --windows |
--probation | 显示 probation 期 | --probation |
--offline | 离线模式生成HTML | --offline |
--output | 保存图片（需在线模式） | --output=result.png |
实用命令示例
显示异常分数并突出异常窗口：
python nab/plot.py --value=likelihood --windows --title="CPU异常分数" data/realKnownCause/machine_temperature_system_failure.csv离线模式生成交互式HTML报告：
python nab/plot.py --offline --title="网络流量异常检测" data/realTraffic/speed_6005.csv📊 高级功能：多检测器结果对比分析
plot.py的plotMultipleDetectors方法支持同时对比多个异常检测算法的结果，这对于算法评估和选择非常有价值。该功能在nab/plot.py#L295中实现，允许你直观比较不同检测器的性能。
使用步骤：
- 确保已运行多个检测器并生成结果文件（位于results/目录下）
- 编写简单的Python脚本调用
plotMultipleDetectors方法：
from nab.plot import PlotNAB # 初始化绘图器 plotter = PlotNAB(offline=True) # 设置数据文件 plotter.setDataFile("realKnownCause/machine_temperature_system_failure.csv") plotter.setDataName("机器温度异常检测对比") # 对比多个检测器 plotter.plotMultipleDetectors( resultsPaths=[ "numenta/realKnownCause/numenta_machine_temperature_system_failure.csv", "knncad/realKnownCause/knncad_machine_temperature_system_failure.csv", "windowedGaussian/realKnownCause/windowedGaussian_machine_temperature_system_failure.csv" ], detectors=["numenta", "knncad", "windowedGaussian"], scoreProfile="standard" )- 运行脚本将生成包含多个检测器结果的对比图表，不同颜色的标记代表不同算法的检测结果（绿色为正确检测，红色为误报）。
🎨 自定义可视化效果
plot.py提供了丰富的自定义选项，让你可以根据需求调整图表外观：
调整图表尺寸和字体
python nab/plot.py --width=1200 --height=600 --fontSize=14 data/realTweets/Twitter_volume_AAPL.csv设置时间范围
聚焦特定时间段的异常情况：
python nab/plot.py --start="2015-09-01 00:00:00" --end="2015-09-07 23:59:59" data/realKnownCause/nyc_taxi.csv修改坐标轴标签
python nab/plot.py --xLabel="时间" --yLabel="出租车需求量" --title="纽约出租车需求异常检测" data/realKnownCause/nyc_taxi.csv💡 使用技巧与注意事项
结果文件位置：所有检测器的结果文件默认保存在results/目录下，按检测器名称和数据类型组织
标签数据：异常标签定义在labels/combined_labels.json中，包含了所有数据文件的真实异常位置
阈值配置：不同检测器的异常判断阈值在config/thresholds.json中定义，影响可视化中的异常标记
大量数据处理：对于大型数据集，建议使用
--start和--end参数限制时间范围，提高绘图性能离线模式：使用
--offline参数生成HTML文件，可在没有网络连接的情况下查看交互式图表
通过plot.py工具，你可以轻松将复杂的异常检测结果转化为直观易懂的可视化图表，这不仅有助于算法调优和结果展示，还能帮助你更深入地理解数据中的异常模式。无论是学术研究还是工业应用，掌握这个工具都将大大提升你的异常检测工作效率！
【免费下载链接】NABThe Numenta Anomaly Benchmark项目地址: https://gitcode.com/gh_mirrors/na/NAB
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考