python 監督學習與數據集分類

Question

我是深度學習的新手，目前正在研究某個主題。 我正在尋找時間序列模式中異常的機器學習檢測及其在 python 中的實現。

例如，我在某個時間間隔內記錄了我的計算機的不同 CPU 頻率。 我想實現一個監督學習算法，它以 CPU 頻率的時間序列作為輸入，並決定在那段時間是否發生任何“不尋常”的事情（不尋常的 CPU 使用率等）。

編輯：

我的數據集如下所示，每 10 秒測量一次當前 CPU 頻率。 我沒有指定每組數據點的確切數量，以下僅用於說明。 但我預計每組大約有 2500 個數據點：

數據集_1：{1.2、1.2、1.6、1.3、1.5、1.7、1.6、1.4、1.5} -> Label：“好”

數據集_2：{1.3、1.2、1.4、1.3、1.4、1.5、1.9、2.1、2.0} -> Label：“好”

數據集_n：{1.3、1.2、3.6、3.5、1.4、1.5、3.3、3.2、1.2} -> Label：“壞”

我對監督機器學習算法的理解是我有訓練數據集。 但是，到目前為止，我發現的每個教程總是標記數據集中的每個值。 在我的情況下這是不可能的，因為我只能告訴我的 ML 算法：

a) 這個時間序列數據集是正常的

b) 在這個數據集中有些東西是不正常的

但我不能 label 每個單獨的值，這意味着我不能說：

1.2 -> 好

1.3 -> 不好

1.4 -> 好

由於有許多不同的 ML 算法，初學者很難確定哪個是好的。 所以我的問題是：

我可以使用哪種（python 實現）算法作為開始，它接受整個數據集的標簽，並且不希望每個值都被標記。

我希望這個問題是有道理的，非常歡迎編輯和您的時間一樣！ 謝謝！

Answer 1

對於這個應用程序，我將 go 與 KNN（K - 最近鄰）。 Tech with Tim 有一個很棒的關於 KNN 的教程，很好地解釋了它並展示了實現。 希望這可以幫助