PyOD股票异常检测触发ValueError: multi_class must be in ('ovo', 'ovr')如何解决

• 你误用了evaluate_print评估函数：该函数第二个入参要求传入提前标注好的二分类真实异常标签（0为正常、1为异常），你传入的是连续值的收盘价，scikit-learn的roc_auc_score将连续收盘价识别为多分类标签，因此抛出要求指定multi_class参数的报错。
• 特征选择逻辑错误：你用单调递增的日期作为KNN模型的输入特征，KNN基于距离判断异常的逻辑完全失效，股票价格异常检测应该直接把收盘价作为输入特征。
• PyOD自带的visualize可视化函数仅支持2维特征场景，你的单特征场景无法直接调用。

直接去掉无意义的评估逻辑和拆分训练集测试集的逻辑，自己实现异常点可视化即可，修正后的可运行代码如下：

import pandas as pd
import matplotlib.pyplot as plt
from pyod.models.knn import KNN  

# 读取数据，转换日期格式
AAPL = pd.read_csv('AAPL.csv', header=0)
AAPL.iloc[:,1] = pd.to_datetime(AAPL.iloc[:,1])
# 取收盘价作为异常检测特征
X = AAPL.iloc[:, 2].values.reshape(-1,1)

# 训练KNN异常检测器
clf_name = 'KNN'
clf = KNN()
clf.fit(X)
# 得到所有样本的异常标签，1为异常
y_pred = clf.labels_
# 得到异常分数
y_scores = clf.decision_scores_

# 自定义可视化
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.figure(figsize=(12,6))
# 绘制收盘价走势
plt.plot(AAPL.iloc[:,1], AAPL.iloc[:,2], label='收盘价', color='blue')
# 标出异常点
anomaly = AAPL[y_pred == 1]
plt.scatter(anomaly.iloc[:,1], anomaly.iloc[:,2], color='red', s=50, label='异常点')
plt.title(f'AAPL股票价格异常检测 ({clf_name})')
plt.xlabel('日期')
plt.ylabel('收盘价')
plt.legend()
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

如果确实需要拆分训练集测试集验证，且你自己有提前标注的异常二分类标签，只需要给evaluate_print传入二分类的真实标签即可，不要再传入连续收盘价。

内容的提问来源于stack exchange，提问作者d12