机器学习算法
Autoencoder[1]：TDgpt 提供了一个使用自编码器（Autoencoder）构建的深度学习异常检测示例。该模型基于 NAB 的 art_daily_small_noise 数据集 进行训练，详细步骤见 添加机器学习模型。
该示例模型默认既不在 model 目录中，也不会自动出现在算法列表里。要正常运行，需要：
- 从 sample-ad-autoencoder 下载模型文件，并放到
/var/lib/taos/taosanode/model/sample-ad-autoencoder/； - 将示例适配代码 misc/autoencoder.py 复制到
algo/ad/； - 重启 taosanode，并执行
UPDATE ALL ANODES。
相关操作原理及方式请参考 添加机器学习模型。
此时 model 文件夹结构如下：
.
└── model
└── sample-ad-autoencoder
├── sample-ad-autoencoder.keras
└── sample-ad-autoencoder.info
-- 在 options 中增加 model 参数 sample-ad-autoencoder，采用自编码器的异常检测模型进行异常检测
SELECT _wstart, count(*)
FROM foo ANOMALY_WINDOW(val, 'algo=sample_ad_model,model=sample-ad-autoencoder');
其中的 algo 设置为 sample_ad_model 为示例异常检测模型，model 指定加载模型文件的信息。需要注意的是，该模型只针对训练的数据集具有较好的检测效果，针对非训练相关数据集，可能无法得出合适的结果。
- IForest：Isolation Forest，基于隔离树的无监督集成学习异常检测算法。该算法通过随机选择特征和切分值构建多棵隔离树，并根据数据点被隔离所需的路径长度计算离群程度。数据点越容易被隔离，路径越短，越可能是异常点。IForest 不需要预训练模型文件，TDgpt 会在每次调用时基于输入数据拟合检测器。参数
contamination用于指定预期异常点比例，默认值为0.1；参数n_estimators用于指定隔离树数量，默认值为100；参数random_state用于指定随机种子，默认值为42。
| 参数 | 说明 | 是否必选 | 默认值 |
|---|---|---|---|
| contamination | 预期异常点比例，取值范围为 (0, 0.5] | 否 | 0.1 |
| n_estimators | 隔离树数量，必须大于 0 | 否 | 100 |
| random_state | 随机种子 | 否 | 42 |
--- 使用 IForest 进行多变量异常检测
SELECT _WSTART, COUNT(*)
FROM foo
ANOMALY_WINDOW(foo.i32, foo.i64, "algo=iforest,contamination=0.1,n_estimators=100,random_state=42")
后续添加机器（深度）学习异常检测算法
- One-Class Support Vector Machines (SVM)
