孤立森林fit必须输入二维数值数组，需剔除非数值列、处理缺失值；contamination和n_estimators需依工业场景调优；predict结果应转为校准概率并结合滑动窗口特征提升时序异常检测效果。
孤立森林的 fit 输入必须是二维数组，不是 DataFrame 或多维张量
很多工业场景下传感器数据直接读出来是 pandas.DataFrame，带时间戳列、设备 ID 列或缺失值标记列。但 IsolationForest.fit() 只接受 shape 为 (n_samples, n_features) 的二维数值数组——任何非数值列（如 'timestamp'、'sensor_id'）都得提前剔除，否则报错 ValueError: Expected 2D array, got 1D array instead 或 could not convert string to float。
实操建议：
- 用
df.select_dtypes(include=[np.number])快速提取所有数值列，避开手动列名枚举 - 别直接传
df.values——如果 DataFrame 有索引或列顺序混乱，.values可能混入非数值类型；稳妥做法是df[num_cols].values - 若含缺失值，
IsolationForest默认不支持NaN，必须先填充（如用df.fillna(df.median())）或删行（df.dropna()），否则训练时静默失败或结果不可靠
调参关键：不要迷信默认的 n_estimators=100 和 contamination='auto'
工业传感器数据通常采样率高、维度多（比如 20+ 通道）、存在缓慢漂移，contamination='auto' 会低估异常比例，导致大量真实异常被当成正常点；而默认 n_estimators=100 在高维下隔离效率低，容易漏检早期微小偏移。
实操建议：
- 先用领域知识预估异常比例（例如“轴承温度突升在产线中约每千条记录出现 3–5 次”），设
contamination=0.004而非依赖自动推断 - 高维（>15 特征）或长序列（>10⁵ 样本）时，把
n_estimators提到200或300，提升路径稳定性；但超过500后收益递减且内存占用翻倍 -
max_samples别设'auto'——对超长时序，它默认取min(256, n_samples)，可能过小；建议显式设为1000或0.1 * len(X)，让每棵树看到足够变异样本
predict 输出的 -1/+1 不直观，需转成概率并校准阈值
IsolationForest.predict() 返回 -1（异常）和 1（正常），但工业诊断需要知道“这个温度点有多可疑”，不能只给二值。直接用 decision_function() 得到的是原始分值，范围不定、难跨模型比较；更糟的是，同一套参数在不同批次数据上分值分布会漂移。
实操建议：
- 用
model.decision_function(X)获取原始异常分数，再通过model.score_samples(X)转成近似异常概率（值越小越异常） - 对单次部署，用历史正常段数据算出
score_samples的 5% 分位数作为动态阈值，比固定阈值鲁棒；例如：threshold = np.percentile(normal_scores, 5) - 避免直接用
predict()结果做告警——它对 contamination 设置极度敏感，微小调整可能导致告警频次跳变 3 倍以上
滑动窗口 + 孤立森林比单点检测更适配工业时序
单个传感器读数本身信息有限，孤立森林直接作用于原始点，容易把噪声当异常，也抓不住趋势性退化（如振动幅值逐小时缓升）。工业异常往往体现在局部模式变化上，比如“过去 60 秒内 5 个通道的协方差矩阵特征值突变”。
实操建议：
- 构造滑动窗口特征：对每个时间点
t，提取[t-59:t+1]共 60 条记录的统计量（均值、标准差、峰度、一阶差分绝对均值等），拼成新特征向量 - 窗口长度选 30–120 秒，要匹配传感器响应时间和故障演化速度；太短则滤不掉噪声，太长则延迟告警
- 用孤立森林跑这个增强后的特征矩阵，而非原始时序——此时每个样本代表一个“局部行为片段”，异常检测逻辑更贴近物理实际
真正难的不是调通模型，而是把传感器原始采样点映射成孤立森林能理解的“行为单元”。窗口设计、特征工程、contamination 校准这三步没对齐产线实际失效模式，再高的 AUC 也没法落地。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
