カラムごとのIsolationForest(iForest)の実行

二次元データで外れ値検知を実行している例はよく見ますが、複数列を持つデータフレームに対し、各列で学習と予測を行い異常カラムを検出するみたいな例は見なかったので実践に使う前のプロト版として作ってみたものを公開してみます。（あまりいい例じゃないですが）

想定として、ある時間に200～800nmまでの波長データで何かしらの値を取得できるセンサーがあり、そのログデータから異常値を予測したいものとします。

具体的には、ノイズを加えたsin波を例に異常検知を実装します。
カラムは、200～800まで0.5刻みで記録されています。
100%分類できてるみたいで面白くないけどあくまで例ということで
データは訓練用データ、検証用（異常値）データ、テスト用（異常値）データ、検証用（異常値）データです。
データの内容 - ./data/train:学習に使用するノイズの少ないsin波データ - ./data/test/normal:検証とテスト兼用の正常sin波データ - ./data/test/anomaly/test:異常値のテストデータ - ./data/test/anomaly/valid:異常値の検証用データ

まずデータ全体を見て異常検知を行ったあと、
カラムごとに異常検知を行い、カラムごとに複数回異常と判定されたカラムとその異常スコアの最大値をDataFrameとして出力してみます。

import os
import glob
import time
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
plt.style.use('seaborn')
# from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import IsolationForest
from sklearn.metrics import precision_recall_fscore_support,confusion_matrix
from sklearn. metrics import roc_curve, roc_auc_score
from sklearn.metrics import precision_recall_fscore_support

import warnings
warnings.filterwarnings('ignore')

分析用疑似データ作成

# 保存用フォルダ作成
if not(os.path.isdir('./data')):
    os.mkdir('./data')
if not(os.path.isdir('./data/train')):
    os.mkdir('./data/train')

if not(os.path.isdir('./data/test/normal')):
    os.mkdir('./data/test/normal')
if not(os.path.isdir('./data/test')):
    os.mkdir('./data/test')

if not(os.path.isdir('data/test/anomaly')):
    os.mkdir('data/test/anomaly')
if not(os.path.isdir('data/test/anomaly/test')):
    os.mkdir('data/test/anomaly/test')
if not(os.path.isdir('data/test/anomaly/valid')):
    os.mkdir('data/test/anomaly/valid')

データ内容の確認

それぞれどのようなデータが入るかを可視化して確認してみます。

def Make_data(index, eta=0.2, outlier=3, mode='train'):
    '''
    sin波にノイズを加えたデータを作成する
    '''
    np.random.seed(42)
    data_size = 1200                                                         # データ数
    X = np.linspace(0,1, data_size)                                          # 0～1まで20個データを作成する
    noise = np.random.uniform(low= -1.0, high=1.0, size=data_size) * eta    # -1～1までの値をデータサイズ個作成し、引数倍する
    y = np.sin(2.0 * np.pi * X) + noise                                      # sin波にノイズを追加する
    # 外れ値の設定
    # 40個ごとにランダムで0～引数outlierまでの1個の値を加算
    if mode == 'test':
        for cnt in range(data_size):
            if cnt % 40 == 0:
                y[cnt] += np.random.randint(0, outlier, 1)
    plt.subplots(figsize=(16, 9))                                            # 表示サイズ指定
    plt.scatter(X, y)                                                        # 散布図
    plt.show()
    # DataFrameを引数をカラム名として作成
    df = pd.DataFrame({
        index:y
    })
    
    return df

# train
Make_data(1, 0.05).head()

	1
0	-0.012546
1	0.050312
2	0.033680
3	0.025586
4	-0.013438

# valid_anomaly
Make_data(1, 0.15, outlier=2.5, mode='test').head()

	1
0	-0.037638
1	0.140455
2	0.080079
3	0.045318
4	-0.082235

# test_anomaly
Make_data(1, 0.2, outlier=3, mode='test').head()

	1
0	-0.050184
1	0.185526
2	0.103278
3	0.055184
4	-0.116633

# 可視化の内容を消去して再度宣言
def Make_data(index, eta=0.05, outlier=3, mode='train'):
    '''
    sin波にノイズを加えたデータを作成する
    '''
    np.random.seed(42)
    data_size = 1200                                                         # データ数
    X = np.linspace(0,1, data_size)                                          # 0～1まで20個データを作成する
    noise = np.random.uniform(low= -1.0, high=1.0, size=data_size) * eta    # -1～1までの値をデータサイズ個作成し、引数倍する
    y = np.sin(2.0 * np.pi * X) + noise                                      # sin波にノイズを追加する
    # 外れ値の設定
    # 100個ごとにランダムで0～引数outlierまでの1個の値を加算
    if mode == 'test':
        for cnt in range(data_size):
            if cnt % 100 == 0:
                y[cnt] += np.random.randint(0, outlier, 1)
    # DataFrameを引数をカラム名として作成
    df = pd.DataFrame({
        index:y
    })
    return df

訓練用データを作成

関数Make_data()を使用して訓練用データを作成します。
ノイズはデフォルトの0.2でデータ数160個作成します。

df_train = pd.DataFrame([])
for i in range(1, 161):
    df_base =  Make_data(i).T
    df_train = pd.concat([df_train, df_base])
# 200nm～800nmをカラムとして1桁で丸めて設定
df_train.columns =  np.round(np.linspace(200, 800, 1200), 1)
df_train.head()

	200.0	200.5	201.0	201.5	202.0	202.5	203.0	203.5	204.0	204.5	...	795.5	796.0	796.5	797.0	797.5	798.0	798.5	799.0	799.5	800.0
1	-0.012546	0.050312	0.03368	0.025586	-0.013438	-0.008202	-0.012755	0.073292	0.052022	0.067953	...	-0.090411	-0.033694	-0.052086	-0.019345	-0.071625	0.016194	0.031628	0.036407	0.019725	-0.036991
2	-0.012546	0.050312	0.03368	0.025586	-0.013438	-0.008202	-0.012755	0.073292	0.052022	0.067953	...	-0.090411	-0.033694	-0.052086	-0.019345	-0.071625	0.016194	0.031628	0.036407	0.019725	-0.036991
3	-0.012546	0.050312	0.03368	0.025586	-0.013438	-0.008202	-0.012755	0.073292	0.052022	0.067953	...	-0.090411	-0.033694	-0.052086	-0.019345	-0.071625	0.016194	0.031628	0.036407	0.019725	-0.036991
4	-0.012546	0.050312	0.03368	0.025586	-0.013438	-0.008202	-0.012755	0.073292	0.052022	0.067953	...	-0.090411	-0.033694	-0.052086	-0.019345	-0.071625	0.016194	0.031628	0.036407	0.019725	-0.036991
5	-0.012546	0.050312	0.03368	0.025586	-0.013438	-0.008202	-0.012755	0.073292	0.052022	0.067953	...	-0.090411	-0.033694	-0.052086	-0.019345	-0.071625	0.016194	0.031628	0.036407	0.019725	-0.036991

5 rows × 1200 columns

訓練データの保存

# index不要のとき
df_train.to_csv('data/train/X_train.csv', index=False)

検証とテスト兼用の正常sin波データ

ノイズはデフォルトの0.2でデータ数80個作成します。

df_normal = pd.DataFrame([])
for i in range(1, 81):
    df_base =  Make_data(i).T
    df_normal = pd.concat([df_normal, df_base])
# 200nm～800nmをカラムとして1桁で丸めて設定
df_normal.columns =  np.round(np.linspace(200, 800, 1200), 1)
df_normal.head()

	200.0	200.5	201.0	201.5	202.0	202.5	203.0	203.5	204.0	204.5	...	795.5	796.0	796.5	797.0	797.5	798.0	798.5	799.0	799.5	800.0
1	-0.012546	0.050312	0.03368	0.025586	-0.013438	-0.008202	-0.012755	0.073292	0.052022	0.067953	...	-0.090411	-0.033694	-0.052086	-0.019345	-0.071625	0.016194	0.031628	0.036407	0.019725	-0.036991
2	-0.012546	0.050312	0.03368	0.025586	-0.013438	-0.008202	-0.012755	0.073292	0.052022	0.067953	...	-0.090411	-0.033694	-0.052086	-0.019345	-0.071625	0.016194	0.031628	0.036407	0.019725	-0.036991
3	-0.012546	0.050312	0.03368	0.025586	-0.013438	-0.008202	-0.012755	0.073292	0.052022	0.067953	...	-0.090411	-0.033694	-0.052086	-0.019345	-0.071625	0.016194	0.031628	0.036407	0.019725	-0.036991
4	-0.012546	0.050312	0.03368	0.025586	-0.013438	-0.008202	-0.012755	0.073292	0.052022	0.067953	...	-0.090411	-0.033694	-0.052086	-0.019345	-0.071625	0.016194	0.031628	0.036407	0.019725	-0.036991
5	-0.012546	0.050312	0.03368	0.025586	-0.013438	-0.008202	-0.012755	0.073292	0.052022	0.067953	...	-0.090411	-0.033694	-0.052086	-0.019345	-0.071625	0.016194	0.031628	0.036407	0.019725	-0.036991

5 rows × 1200 columns

検証とテスト兼用の正常sin波データの保存

# index不要のとき
df_normal.to_csv('./data/test/normal/X_normal.csv', index=False)

検証用（異常値）データを作成

ノイズは0.15で、外れ値は2.5、データ数30個作成します。

df_valid = pd.DataFrame([])
for i in range(1, 31):
    df_base =  Make_data(i, 0.15, outlier=2.5, mode='test').T
    df_valid = pd.concat([df_valid, df_base])
# 200nm～800nmをカラムとして1桁で丸めて設定
df_valid.columns =  np.round(np.linspace(200, 800, 1200), 1)
df_valid.head()

	200.0	200.5	201.0	201.5	202.0	202.5	203.0	203.5	204.0	204.5	...	795.5	796.0	796.5	797.0	797.5	798.0	798.5	799.0	799.5	800.0
1	-0.037638	0.140455	0.080079	0.045318	-0.082235	-0.077003	-0.101138	0.146527	0.072245	0.109567	...	-0.176941	-0.017259	-0.082909	0.004838	-0.162476	0.090501	0.126326	0.130183	0.069655	-0.110974
2	-0.037638	0.140455	0.080079	0.045318	-0.082235	-0.077003	-0.101138	0.146527	0.072245	0.109567	...	-0.176941	-0.017259	-0.082909	0.004838	-0.162476	0.090501	0.126326	0.130183	0.069655	-0.110974
3	-0.037638	0.140455	0.080079	0.045318	-0.082235	-0.077003	-0.101138	0.146527	0.072245	0.109567	...	-0.176941	-0.017259	-0.082909	0.004838	-0.162476	0.090501	0.126326	0.130183	0.069655	-0.110974
4	-0.037638	0.140455	0.080079	0.045318	-0.082235	-0.077003	-0.101138	0.146527	0.072245	0.109567	...	-0.176941	-0.017259	-0.082909	0.004838	-0.162476	0.090501	0.126326	0.130183	0.069655	-0.110974
5	-0.037638	0.140455	0.080079	0.045318	-0.082235	-0.077003	-0.101138	0.146527	0.072245	0.109567	...	-0.176941	-0.017259	-0.082909	0.004838	-0.162476	0.090501	0.126326	0.130183	0.069655	-0.110974

5 rows × 1200 columns

検証（異常値）データの保存

# index不要のとき
df_valid.to_csv('./data/test/anomaly/valid/X_valid.csv', index=False)

テスト用（異常値）データを作成

ノイズはデフォルトの0.2で外れ値は3、データ数48個作成します。

df_test = pd.DataFrame([])
for i in range(1, 49):
    df_base =  Make_data(i, 0.2, outlier=3, mode='test').T
    df_test = pd.concat([df_test, df_base])
# 200nm～800nmをカラムとして1桁で丸めて設定
df_test.columns =  np.round(np.linspace(200, 800, 1200), 1)
df_test.head()

	200.0	200.5	201.0	201.5	202.0	202.5	203.0	203.5	204.0	204.5	...	795.5	796.0	796.5	797.0	797.5	798.0	798.5	799.0	799.5	800.0
1	-0.050184	0.185526	0.103278	0.055184	-0.116633	-0.111403	-0.14533	0.183145	0.082357	0.130375	...	-0.220205	-0.009042	-0.098321	0.016929	-0.207902	0.127655	0.173675	0.177071	0.09462	-0.147966
2	-0.050184	0.185526	0.103278	0.055184	-0.116633	-0.111403	-0.14533	0.183145	0.082357	0.130375	...	-0.220205	-0.009042	-0.098321	0.016929	-0.207902	0.127655	0.173675	0.177071	0.09462	-0.147966
3	-0.050184	0.185526	0.103278	0.055184	-0.116633	-0.111403	-0.14533	0.183145	0.082357	0.130375	...	-0.220205	-0.009042	-0.098321	0.016929	-0.207902	0.127655	0.173675	0.177071	0.09462	-0.147966
4	-0.050184	0.185526	0.103278	0.055184	-0.116633	-0.111403	-0.14533	0.183145	0.082357	0.130375	...	-0.220205	-0.009042	-0.098321	0.016929	-0.207902	0.127655	0.173675	0.177071	0.09462	-0.147966
5	-0.050184	0.185526	0.103278	0.055184	-0.116633	-0.111403	-0.14533	0.183145	0.082357	0.130375	...	-0.220205	-0.009042	-0.098321	0.016929	-0.207902	0.127655	0.173675	0.177071	0.09462	-0.147966

5 rows × 1200 columns

テスト用（異常値）データの保存

# index不要のとき
df_test.to_csv('./data/test/anomaly/test/X_test.csv', index=False)

データの読み込みとラベル付与

start = time.time()             # 実行開始時間の取得

# 学習用フォルダ内のファイル一覧を取得
files_train = glob.glob('./data/train/*')
# 検証とテスト兼用の正常sin波データァイル一覧
files_normal  = glob.glob('./data/test/normal/*')
# 異常値のテストデータ
files_anomaly1 = glob.glob('./data/test/anomaly/test/*')
# 異常値の検証用データ
files_anomaly2 = glob.glob('./data/test/anomaly/valid/*')

# CSV形式のファイルを読み込み、学習データを全てx_trainに格納
X_train = pd.DataFrame([])
for file_name in files_train:
    csv = pd.read_csv(filepath_or_buffer=file_name)
    X_train = pd.concat([X_train, csv])

# StandardScalerでz標準化
# sc = StandardScaler()
# sc.fit(X_train)
# X_train = sc.transform(X_train)

正解ラベルの付与

# 正常データのラベルを1，異常データのラベルを-1として
# テストデータ用y_test_true，検証用データ用y_valid_trueに格納
x_test_normal, x_test_anomaly1, x_test_anomaly2, X_test, X_valid = pd.DataFrame([]), pd.DataFrame([]), pd.DataFrame([]), pd.DataFrame([]), pd.DataFrame([])
y_test_true, y_valid_true = [], []

# 検証とテスト兼用の正常sin波データを読み込み
# 正常データのラベル1を付与
for file_name in files_normal:
    csv = pd.read_csv(file_name)
    x_test_normal = pd.concat([x_test_normal, csv])
    for i in range(0, len(csv)):
        y_test_true.append(1)
        y_valid_true.append(1)
# 異常値の検証用データを読み込み
# 異常データのラベル-1を付与
for file_name in files_anomaly1:
    csv = pd.read_csv(file_name)
    x_test_anomaly1 = pd.concat([x_test_anomaly1, csv])
    for i in range(0, len(csv)):
        y_test_true.append(-1)
# 異常値のテスト用データを読み込み
# 異常データのラベル-1を付与
for file_name in files_anomaly2:
    csv = pd.read_csv(file_name)
    x_test_anomaly2 = pd.concat([x_test_anomaly2, csv])
    for i in range(0, len(csv)):
        y_valid_true.append(-1)
        
# テストデータx_test，検証用データx_validを正常データと異常データを組み合わせて用意
X_test = pd.concat([x_test_normal, x_test_anomaly1])
X_valid = pd.concat([x_test_normal, x_test_anomaly2])

# z標準化
# X_test = sc.transform(X_test)
# X_valid = sc.transform(X_valid)

# 正常データ数，異常データ数（テストデータ），テストデータ総数，検証用データ総数を確認
print('data size')
print('訓練データ:{}'.format(X_train.shape[0]))
print('テスト・検証用正常データ:{}'.format(x_test_normal.shape[0]))
print('異常データ数（テストデータ）:{}'.format(x_test_anomaly1.shape[0]))
print('異常データ数（検証データ）:{}'.format(x_test_anomaly2.shape[0]))
print('テストデータ総数:{}'.format(X_test.shape[0]))
print('検証用データ総数:{}'.format(X_valid.shape[0]))

data size
訓練データ:160
テスト・検証用正常データ:80
異常データ数（テストデータ）:48
異常データ数（検証データ）:30
テストデータ総数:128
検証用データ総数:110

IsolationForest(iForest)の実行

データ全体を使用して学習を実行してみます。

# 探索するハイパーパラメータのリスト
estimators_params = [50, 100, 150, 200]

# アンサンブルする識別器の数n_estimatorsを変化させて検証用データに対するF値を取得
idx, f_score = [], []
for k in estimators_params:
    IF = IsolationForest(n_estimators=k, random_state=2)
    IF.fit(X_train)
    # 検証データの平均F値を追加
    # _predictで局所異常因子を異常度としてある閾値で切った時の2値ラベルの取得
    prec_rec_f = precision_recall_fscore_support(y_valid_true, IF.predict(X_valid))
    f_score.append(np.average(prec_rec_f[2]))
    idx.append(k)

# F値が最大となるアンサンブル数を取得し，iForestを再適合
plt.plot(idx, f_score, 'b-')
plt.xlabel('n_estimators')
plt.ylabel('F-score')
plt.title('ALL_Spectrim_iForest_F-score')
plt.show()

best_k = idx[np.argmax(f_score)]
print('Local Outlier Factor result (n_estimators={}):'.format(best_k))
IF = IsolationForest(n_estimators=best_k, random_state=42)
IF.fit(X_train)

Local Outlier Factor result (n_estimators=50):





IsolationForest(n_estimators=50, random_state=42)

# 平均精度・再現率・F値と混同行列の表示
y_pred = IF.predict(X_test)
prec_rec_f = precision_recall_fscore_support(y_test_true, y_pred)
print('Ave. Precision {:0.4f}, Ave. Recall {:0.4f}, Ave. F-score {:0.4f}'.format(np.average(prec_rec_f[0]), np.average(prec_rec_f[1]), np.average(prec_rec_f[2])))
print('Confusion Matrix')
df = pd.DataFrame(confusion_matrix(y_test_true, y_pred))
df.columns = [u'anomaly', u'normal']
df

Ave. Precision 0.3125, Ave. Recall 0.5000, Ave. F-score 0.3846
Confusion Matrix

	anomaly	normal
0	0	48
1	0	80

fpr, tpr, thresholds = roc_curve(y_test_true, IF.decision_function(X_test), pos_label=1)
roc_auc = roc_auc_score(y_test_true, IF.decision_function(X_test))
plt.plot(fpr, tpr, 'b--',label='ROC for test data (AUC = {:0.2f})'.format(roc_auc), lw=2, linestyle='-')
plt.xlim([-0.05, 1.05])
plt.ylim([-0.05, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC curve')
plt.legend(loc="lower right")

<matplotlib.legend.Legend at 0x23f347ceb50>

[f:id:sekihan_0290:20200917221102p:plain]

列ごとに学習を行い、異常発生時のカラムを検出する

カラムごとに学習を行い、テストデータで予測を行って42データ以上異常が予測されたものを異常値として抽出します。

※ROC曲線、混同行列の表示は冗長なのでコメントアウトしてます。

# 異常と判断された波長一覧とその異常値スコア最大値、AUCの保存先
anomaly_spectrim = []
anomaly_score = []
anomaly_roc_auc_score = []

# ファイル保存ディレクトリの作成
# if not(os.path.isdir('image')):
#     os.mkdir('image')

for column_name, item in X_train.iteritems():
    # 探索ハイパーパラメータのリスト
    estimators_param = [50, 100, 150, 200]

    # アンサンブルする識別器の数を変化させ検証用データに対するF値を取得
    idx, f_score = [], []
    for k in estimators_param:
        IF = IsolationForest(n_estimators=k, random_state=42)
        # pd.Series.valuesでnumpy.ndarray型にし、np.reshape(-1, 1)でn行1列に変形
        IF.fit(item.values.reshape(-1, 1))
        # 正常と異常のクラスに対する平均F値を取得
        prec_rec_f = precision_recall_fscore_support(y_valid_true, IF.predict(X_valid[column_name].values.reshape(-1, 1)))
        f_score.append(np.average(prec_rec_f[2]))
        idx.append(k)
        
    # F値が最大になるアンサンブル数を取得し、iForestを再結合
    # plt.figure()
    # plt.plot(idx, f_score)
    # plt.xlabel('n_estimators')
    # plt.ylabel('F-score')
    # plt.title('{}Spectrim_iForest_F-score'.format(column_name))
    # plt.savefig('./image/{}Spectrim_iForest_F-score.png'.format(column_name))
    # plt.show()

    best_k = idx[np.argmax(f_score)]
    IF = IsolationForest(n_estimators=best_k, random_state=42)
    IF.fit(item.values.reshape(-1, 1))
    pred = IF.predict(X_test[column_name].values.reshape(-1, 1))
    # 最適なアンサンブル数を使用して、テストデータに対する結果を表示
    # print('--------------------')
    # print('Local Outlier Factor result (n_estimators={})'.format(best_k))
    # print('--------------------')
    # 平均精度・再現率・F値と混同行列の表示
    prec_rec_f = precision_recall_fscore_support(y_test_true, y_pred)
    # print('Ave. Precision %.4f, Ave. Recall %.4f, Ave. F-score %.4f'% (np.average(prec_rec_f[0]), np.average(prec_rec_f[1]), np.average(prec_rec_f[2])))
    # print('Confusion Matrix')
    df = pd.DataFrame(confusion_matrix(y_test_true, y_pred))
    df.columns = [u'anomaly', u'normal']
    # print(df)
    
    # print('--------------------')
    # fpr, tpr, thresholds = roc_curve(y_test_true, IF.decision_function(X_test[column_name].values.reshape(-1, 1)), pos_label=1)
    # roc_auc = roc_auc_score(y_test_true, IF.decision_function(X_test[column_name].values.reshape(-1, 1)))
    # plt.figure()
    # plt.plot(fpr, tpr, 'k--',label='ROC for test data (AUC = {:0.2f})'.format(roc_auc, lw=2, linestyle='-'))
    # plt.xlim([-0.05, 1.05])
    # plt.ylim([-0.05, 1.05])
    # plt.xlabel('False Positive Rate')
    # plt.ylabel('True Positive Rate')
    # plt.title('{}Spectrim_ROC_curve'.format(column_name))
    # plt.legend(loc='lower right')
    # plt.savefig('./image/{}Spectrim_iForest_ROC_curve.png'.format(column_name))
    # plt.show()
    # print('--------------------')
    # 42データ以上、異常と判断した時カラム名を表示
    if np.count_nonzero(pred == -1) >= 42:
        print('異常と判断した波長:{}nm:'.format(column_name))
        print('異常スコアの最高値:{}:'.format(IF.score_samples(X_test[column_name].values.reshape(-1, 1)).min()))
        # 異常と判断された波長一覧とその異常値スコア最大値の保存先
        anomaly_spectrim.append(column_name)
        anomaly_score.append(IF.score_samples(X_test[column_name].values.reshape(-1, 1)).min())
        anomaly_roc_auc_score.append(roc_auc_score(y_test_true, IF.predict(X_test[column_name].values.reshape(-1, 1)) ))

コメントアウトして可視化した結果のイメージ

# 異常波長とその異常スコアの最大値をDataFrame化
result_df = pd.DataFrame({
    'anomaly_spectrim':anomaly_spectrim,
    'anomaly_score':anomaly_score,
    'anomaly_roc_auc_score':anomaly_roc_auc_score
})
# 異常値スコアでソート
result_df = result_df.sort_values('anomaly_score')
# 異常度スコアが高いほど異常度が高いと読める用に値を反転
result_df['anomaly_score'] = result_df['anomaly_score'] * (-1)
# 異常度スコアの先頭5データを表示
print(result_df.head())

# ファイル保存ディレクトリの作成
# if not(os.path.isdir('result_anomaly_data')):
#     os.mkdir('result_anomaly_data')
# result_df.to_csv('./result_anomaly_data/result_anomaly.csv', index=False)

# 処理に要した時間を出力
print("Computation time:{0:.3f} sec".format(time.time() - start))

Empty DataFrame
Columns: [anomaly_spectrim, anomaly_score, anomaly_roc_auc_score]
Index: []
Computation time:838.087 sec