异常检测阈值自动整定器｜工业AI分析工具
这个工具解决什么问题
模型输出的可信区间，通常比点估计更有决策价值。
> 告警线设多少才合适？四种常见算法横向比，用漏报/误报代价算出该用哪个阈值。
输入数据格式
数据文件 threshold_samples.csv，列顺序为：样本号、指标值、真实类别。
示例首行：1,41.084,正常
示例输出（真实运行结果节选）
异常检测阈值自动整定报告 样本 340 个（正常 300 / 异常 40）；代价口径：漏报 1 个 = 误报 20 个 ============================================================================ 一、分布概览 ---------------------------------------------------------------------------- 全样本：均值 51.494、标准差 5.620 → 均值+3σ = 68.354 正常样本：均值 50.038、标准差 3.875 → 均值+3σ = 61.663 正常样本四分位：Q1=47.600、Q3=52.589、IQR=4.989 说明：混入异常点后，全样本均值被抬高、标准差被放大，阈值自然被推高——这就是「越算越松」的由来。 二、各阈值方案对比 ---------------------------------------------------------------------------- 方案 阈值 误报率 漏报率 准确率 F1 加权代价 全样本 均值+3σ 68.354 0.0% 90.0% 89.4% 18.2% 720.0 仅正常样本 均值+3σ 61.663 0.3% 42.5% 94.7% 71.9% 341.0 IQR 1.5 倍上界 60.071 1.0% 30.0% 95.6% 78.9% 243.0 仅正常样本 P95 分位 56.435 5.0% 7.5% 94.7% 80.4% 75.0 仅正常样本 P99 分位 58.570 1.0% 20.0% 96.8% 85.3% 163.0 三、推荐阈值 ---------------------------------------------------------------------------- 推荐方案：仅正常样本 P95 分位，阈值 = 56.435 理由：在「漏报 20 倍于误报」的代价口径下加权代价最低（75.0），此时
适用场景
· SPC/监控告警上线、值班报警收敛、异常检测项目 · 评估阈值看好坏要看漏报率与 F1，不要看准确率（会被多数类掩盖）
怎么用
python threshold_tuning.py
首次运行会自动生成示例数据并输出一份完整报告； 把示例 CSV 换成你自己的数据（保持列名一致）后重新运行即可。
输入数据
threshold_samples.csv：样本号 / 指标值 / 真实类别（脚本自带 340 个示例）
输出内容
· 四种阈值方案对比：全样本3σ、仅正常样本3σ、IQR 上界、分位数 · 每个阈值的误报率、漏报率、准确率、F1 与加权代价 · 推荐阈值与理由（含 F1 最优备选），并说明为何「全样本 3σ」会越算越松
依赖
无。仅使用 Python 标准库（csv / math / os / datetime 等）， 不需要 pip 安装任何包，Windows / Linux / macOS 均可运行。
实用提示
· 报告里的判读阈值都写在脚本顶部常量区，可按自己厂内标准调整。 · 建议按周/按月滚动运行，看趋势比看单次结果更有意义。 · 换数据时保持 CSV 列名不变，脚本无需改动即可复用。
可调参数与计算口径
脚本顶部集中了主要阈值与常量：CSV_NAME="threshold_samples.csv"、REPORT_NAME="threshold_tuning_report.txt"。改完直接重跑即可，不必改动计算逻辑。
会生成哪些文件
运行后除控制台输出外，还会生成：threshold_samples.csv、threshold_tuning_report.txt。
脚本里的主要处理步骤
gen_demo()：正态噪声用 Box-Muller + LCG 确定性生成；正常 N(50,4)，异常 N(62,5)。
以上步骤在脚本中是分开的函数，可以单独调用或按需替换其中一段，不必整体重写。
工具中出现的字段与提示
- 真实类别
- 全样本 均值+3σ
- 仅正常样本 均值+3σ
- IQR 1.5 倍上界
- 仅正常样本 P95 分位
- 仅正常样本 P99 分位
- 异常检测阈值自动整定报告
- 一、分布概览
- 全样本：均值 %.3f、标准差 %.3f → 均值+3σ = %.3f
- 正常样本：均值 %.3f、标准差 %.3f → 均值+3σ = %.3f
- 正常样本四分位：Q1=%.3f、Q3=%.3f、IQR=%.3f
- 说明：混入异常点后，全样本均值被抬高、标准差被放大，阈值自然被推高——
- 这就是「越算越松」的由来。
- 二、各阈值方案对比
- 加权代价
- 三、推荐阈值
- 推荐方案：**%s**，阈值 = %.3f
- 理由：在「漏报 %.0f 倍于误报」的代价口径下加权代价最低（%.1f），
其余字段以界面与示例报告为准。
下载与文件清单
压缩包内包含：主程序脚本、示例数据文件、示例输出报告、中文说明文档，以及同主题 AI 提示词一套。解压后按说明运行即可，示例数据可直接试跑。
主程序文件：threshold_tuning.py。
本站工具免费下载，无需注册。工具为 Python 脚本，Python 3.8 及以上环境可直接运行，核心功能尽量不依赖第三方库。
常见问题
输入数据要准备成什么样？
按 示例首行中的列顺序准备即可，共 3 列：样本号、指标值、真实类别。列为空或格式不符时结果会失真，建议先用示例数据试跑一遍。
阈值可以改成我们自己的标准吗？
可以，脚本顶部已把主要阈值与常量集中声明，按自己产线的标准修改后重跑即可，不需要改计算逻辑。
附赠的提示词怎么用？
把提示词与自己的数据一起交给大模型，可以让它按同一套口径帮你改写分析流程或扩展报告字段。
示例数据能直接跑吗？
可以。示例数据与主程序在同一压缩包内，解压后直接运行即可看到完整输出，确认无误再替换成自己的台账。
同分类的其它工具
分类归属：工业AI与智能分析工具包；完整清单在 工具资源包下载页。
