样品冷藏温度与称重记录通常有稳定关系。坤坤需要找出不寻常的批次：阈值太低，正常批次也报警；阈值太高，又可能漏掉问题。
下载与运行
下载食品实验室完整项目包。第一次使用，先按环境配置教程打开终端、安装 Python 和依赖。启动后在左侧选择“异常批次侦探”。
练习文件：projects/anomaly/exercises.py。演示查看参考实现；练习使用自己保存的函数。
看演示 → 写函数 → 做对照 → 挑战
- 运行默认设置，先看报警，再揭开合成数据的真实标签。
- 完成 fit_detector、flag_anomalies、evaluate；分数越大越异常。
- 固定种子，比较 80%、95%、99% 的校准分位数，记录误报、漏报、准确率和召回率。
- 挑战：添加单变量规则作基线，比较仅看温度与联合看温度、重量。
函数接口
fit_detector
输入正常历史记录 N×2；返回拟合后的 IsolationForest。只接收训练集。
flag_anomalies
分数越大越异常；大于等于阈值返回 True，返回布尔数组。
evaluate
输入真实异常布尔标签与报警布尔数组；返回 precision/recall，分母零时取 0。
提示一：思路
IsolationForest 的 score_samples 越低越异常；调度已取负号。报警阈值从独立正常校准集确定。
提示二：接口
IsolationForest.fit；scores >= threshold；precision = TP/(TP+FP)，recall = TP/(TP+FN)。
完整实现：solutions/anomaly.py。练习模式只调用 projects/anomaly/exercises.py。
完成标准
通过函数检查，跑通练习模式；保存至少两次参数不同的实验记录，说明观察到的变化与原因。检查失败时先核对输入与输出，不要只看图是否漂亮。