【Codex实战篇】异常检测

在了解到本次技术论坛面向计算机相关领域开展稿件征集后，结合自身在数据分析、人工智能算法以及工程实践方面的学习与探索，整理编写本文，希望通过技术分享的形式，与大家交流异常检测领域相关算法研究与应用实践分享大家学习，欢迎大家交流！！！
注：本次分享内容全部基于Codex生成！！
项目地址：https://github.com/X-Lee/Codex-Anomaly-Detection

在数据科学与人工智能快速发展的背景下，异常检测作为数据挖掘与机器学习领域的重要分支，在工业质量监控、金融欺诈检测、网络安全入侵识别、设备故障预警等场景中发挥着不可替代的作用。不同的业务场景对异常检测算法的需求各不相同——有的需要快速、可解释的统计方法，有的需要处理高维复杂数据的机器学习模型，还有的需要对时间序列数据进行实时监控与分析。

本文档围绕异常检测算法体系展开，从传统统计方法到机器学习方法，实现了包括 Z-Score、IQR、KNN、LOF、K-Means、DBSCAN、Isolation Forest、PCA 重构误差以及马氏距离在内的 9 种主流异常检测算法，并在此基础上封装为一个完整的 Windows 图形界面可执行程序。内容不仅关注算法理论，同时结合实际开发过程，对算法代码实现、实验验证以及工程化部署进行了系统整理。

在本工程开发及实验验证过程中，全部代码开发工作借助 Codex完成，通过人工设计算法流程、调整模型逻辑，并结合 AI 辅助生成、优化和调试代码，有效提高了算法实现与工程开发效率。在此基础上，对相关 Python 程序进行了工程化封装，完成可执行程序（EXE）的构建，使算法验证过程能够脱离开发环境独立运行。


anomaly_tool/
│
├── app/                          # 核心应用代码
│   ├── __init__.py               # 模块初始化文件
│   ├── algorithms.py             # 9种异常检测算法实现
│   ├── gui.py                    # Tkinter 图形界面
│   └── assets/                   # 界面资源文件
│
├── test_data/                    # 测试数据集（XLSX 格式）
│   ├── test_2d_clusters.xlsx     # 2D 聚类数据集
│   ├── test_4d_multidimensional.xlsx  # 4D 多维数据集
│   ├── test_industrial.xlsx      # 工业传感器数据集
│   ├── test_timeseries.xlsx      # 时间序列数据集
│   └── README.md                 # 测试数据说明文档
│
├── dist_v3/                      # 打包后的可执行程序
│   └── AnomalyDetector.exe       # Windows 独立运行程序（约 135 MB）
│
├── main.py                       # 程序入口
├── run.py                        # 简便启动脚本
├── build_exe.py                  # EXE 打包脚本（基于 PyInstaller）
├── requirements.txt              # Python 依赖清单
├── 使用手册.md                       # 详细使用说明文档
├── venv/                         # Python 虚拟环境
└── README.md                     # 本文件


核心算法实现

工程实现了 9 种异常检测算法，覆盖统计学方法、距离类方法、聚类方法、树集成方法及降维方法，具体如下：

统计学方法

算法

原理概要

核心参数

Z-Score（3σ 原则）基于正态分布假设，以偏离均值超过 k 倍标准差判定异常threshold（默认 3.0）
IQR（四分位距法）基于箱线图的四分位距，以超出上下须范围判定异常factor（默认 1.5）距离类方法

算法

原理概要

核心参数

KNN（K 近邻）以样本到 k 个最近邻的平均距离作为异常得分k（默认 5）
LOF（局部异常因子）比较样本局部密度与其邻域密度的比值，比值 > 1 为异常k（默认 20）、contamination（默认 0.05）聚类方法

算法

原理概要

核心参数

K-Means以样本到所属簇中心的距离作为异常得分n_clusters（默认 3）
DBSCAN基于密度连通性聚类，噪声点（标签 -1）即为异常点eps（默认 0.5）、min_samples（默认 5）树集成与降维方法

算法

原理概要

核心参数

Isolation Forest通过随机切分构造孤立树，路径越短异常可能性越高contamination（默认 0.05）
PCA 重构误差以原始数据与低维重构数据之间的均方误差作为异常得分n_components（自动选择）
马氏距离考虑特征相关性的多元距离度量，基于 Elliptic Envelope 实现contamination（默认 0.05）

---

图形界面功能

基于 Tkinter 构建的图形界面程序（AnomalyDetector.exe），提供完整的人机交互体验：

数据管理

• 数据上传：支持导入 XLSX 格式的 Excel 数据文件
• 数据预览：表格形式展示原始数据，支持滚动浏览
• 数据可视化：自动生成数据分布散点图、直方图等统计图表
• 列选择：支持选择单列或多列数值列进行分析
  
  

异常检测

• 算法选择：9 种算法一键切换，支持多算法并行选择
• 参数调整：每种算法提供可调节的核心参数
• 多算法对比：可同时选择多个算法运行，在结果标签页中对比检测结果
  
  

结果展示与导出

• 检测结果：以表格形式展示异常/正常标签及异常得分
• 可视化展示：2D 散点图展示异常点分布（红色标记为异常）
• 结果导出：支持将检测结果导出为 XLSX 格式文件
• 性能统计：显示各算法检测耗时、异常比例等统计信息
  
  

---

测试数据说明

工程附带 4 份测试数据集（XLSX 格式），覆盖不同场景：

数据集

数据量

特征数

场景说明

test_2d_clusters.xlsx~300 行2 维二维空间中的正常簇 + 离群点，适合 K-Means、DBSCAN
test_4d_multidimensional.xlsx~500 行4 维多维数据含少量异常，适合 Isolation Forest、PCA
test_industrial.xlsx~600 行6 维模拟工业传感器多变量数据，统计类 + 降维方法均可
test_timeseries.xlsx~500 行3 维（含时间列）带时间戳的多维序列数据

详细数据说明参见 test_data/README.md。