以下文稿由 AI 整理，仅供参考。

基于机器学习的指标异常检测：从主函数到模型调优

在本次实验中，我们将逐步实现一个基于孤立森林的指标异常检测系统。整个流程从定义主函数开始，依次完成数据加载、预处理、模型训练、评估以及结果可视化。以下是详细实现过程。

一、定义主函数

主函数是整个实验的入口，负责调用前面定义好的各个功能函数，验证整体功能是否正确实现。我们不为主函数设置参数，而是按照完整流程依次执行。

首先，需要指定要分析的主机编号。这里以第一台机器（ID 为 1-1）为例，作为配置信息。

二、加载数据

接下来调用数据加载函数，传入机器 ID。该函数返回三个值：训练集、测试集以及原始数据（或其他必要信息）。为了便于跟踪，我们添加一条提示信息，显示正在加载哪一台机器的数据。

print(f"正在加载机器 {machine_id} 的数据")
train_data, test_data, raw_data = load_data(machine_id)

数据加载完成后，进入预处理阶段。

三、数据预处理

预处理函数负责对训练集和测试集进行标准化等操作。同样，我们输出提示信息，并调用预处理函数，传入训练集和测试集，得到标准化后的数据。

print("正在预处理数据...")
train_scaled, test_scaled = preprocess_data(train_data, test_data)