设备多周同日读数场景下的离群点检测最优算法咨询

该场景属于带固定周/日双重周期的低维时序离群点检测，不存在通用的"最优算法"，但按适配优先级排序，以下方案的效果稳定性、复现成本都优于盲试通用离群算法的思路：

• 优先选时序专属检测方法，效果鲁棒性远高于通用无监督算法
  之前试用的iForest、OCSVM都属于通用表格离群检测算法，没有把数据的周期规律纳入建模，效果波动、难复现是正常的，优先试两个轻量方案：

  1. STL分解+残差阈值法：按设备维度对时序做STL分解，剥离趋势项、周/日周期项后，对剩余残差用3σ或IQR规则判异常。对这种明确偏离正常周期模式的点异常、小集群异常检测效果极稳，几乎不需要调复杂参数，复现成本极低。现有字段里的nv_zscore属于未剥离周期/趋势的简化统计量，检测精度会比残差法差一截。
  2. Matrix Profile（矩阵轮廓）：专门面向时序场景的异常检测算法，只要输入数据的固定周期长度（单周采样点总数为7*24=168，单日为24），就能直接计算每个点所在子序列与正常模式子序列的匹配距离，距离超阈值即为异常，对集体离群、单点离群的检测精度普遍高于通用无监督算法，参数极少，不需要标注数据支撑。

• 要复现之前OCSVM的最优效果，按固定流程调参即可
  低维时序特征下OCSVM的边界刻画能力本身就比iForest强，之前复现失败基本是特征处理和参数没对齐，按以下流程跑基本能找回最优结果：

  1. 特征不要直接扔原始day/interval整数值，转成sin/cos周期编码，保留已有的nv_zscore特征，所有特征做标准化缩放
  2. 核函数固定用RBF，gamma参数搜索范围设为[0.001, 0.01, 0.1, 1]，nu参数直接按数据集里c_faulty=1的实际样本占比设置，不需要做大范围参数搜索

  注：iForest更适配高维稀疏表格数据，该低维时序场景下iForest容易误判周期边界的正常点，不建议花过多精力调优。

提供的数据集已经带c_faulty真值标签，调参时直接用F1值、异常召回率作为评估指标选最优参数即可，不需要纯无监督盲调。本示例中的离群点为人工生成，下图紫色为正常值、红色为离群点：

数据集样例如下：

index   day interval    device  nv_zscore   c_faulty    c_normal
0   0   0   0   -1.308137   0   1
1   0   1   0   -1.330926   0   1
2   0   2   0   -1.285348   0   1
3   0   3   0   -1.253444   0   1
4   0   4   0   -1.194192   0   1
... ... ... ... ... ... ...
67195   6   19  9   0.882879    1   0
67196   6   20  9   1.544848    1   0
67197   6   21  9   0.147239    1   0
67198   6   22  9   0.674702    1   0
67199   6   23  9   -0.306257   1   0

内容的提问来源于stack exchange，提问作者awovu netux