php网站下载器,网站建设的要求,网站怎么写容易获得关键词排名,网站设计需要什么异常点检测(Outlier detection)#xff0c;⼜称为离群点检测#xff0c;是找出与预期对象的⾏为差异较⼤的对象的⼀个检测过程。这些被检测出的对象被称为异常点或者离群点。异常点#xff08;outlier#xff09;是⼀个数据对象#xff0c;它明显不同于其他的数据对象。异…异常点检测(Outlier detection)⼜称为离群点检测是找出与预期对象的⾏为差异较⼤的对象的⼀个检测过程。这些被检测出的对象被称为异常点或者离群点。异常点outlier是⼀个数据对象它明显不同于其他的数据对象。异常点检测的应用也十分广泛例如信用卡反欺诈、工业损毁检测、广告点击反作弊、刷单检测和羊毛党检测等等。 一般异常检测是无监督学习因为它不是二分类而是多分类问题。 **问题1**为什么要用无监督异常检测方法 很多场景没有标签或者标签很少不能进行监督训练而且样本总是在发生变化。 目前主流的异常检测方法的基本原理都是基于样本间的相似度距离、密度、角度、隔离所需的难度和簇等等。
常见的异常检测有
Z-Score检验——统计学方法Local Outlier Factor孤立森林
Z-Score检验
通过ZScore将正态分布的数据转化为标准正态分布数据公式下 Z s c o r e ( x − u ) σ Zscore \frac{(x-u)}{\sigma} Zscoreσ(x−u)
如果符合正态分布则有68%的数据在± σ \sigma σ之间95%的数据在±2 σ \sigma σ之间有99.7%的数据在±3 σ \sigma σ之间。 但大部分场景的数据都不满足正态分布的数据。
Local Outlier Factor(LOF算法)
LOF算法是基于密度的异常检测算法它会为每个数据点计算一个分数通过分数的大小来判断数据是否异常。 LOF算法的流程如下 1⾸先对样本空间进⾏去重分别计算每⼀个样本到样本空间内其余点的距离。 2将步骤1中的距离升序排列。 3指定近邻样本个数k对于每个样本点寻找其k近邻样本然后计算LOF分数作为异常分数。
LOF例子
还是以评分卡模型数据为例。
from pyod.models.lof import LOF
import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score,roc_curve,auc,recall_scoredata pd.read_csv(Bcard.txt)
feature_lst [person_info,finance_info,credit_info,act_info]
# 划分数据
train data[data.obs_mth ! 2018-11-30].reset_index().copy()
val data[data.obs_mth 2018-11-30].reset_index().copy()
x train[feature_lst]
y train[bad_ind]
# 使用lof进行异常点检测
lof_clf LOF(n_neighbors20,algorithmauto)
lof_clf.fit(x)
out_pred lof_clf.predict_proba(x)[:,1]
train[out_pred] out_pred
# 确定得分边界值
key train[out_pred].quantile(0.95)
lof_x train[train.out_predkey][feature_lst]
lof_y train[train.out_predkey][bad_ind]
val_x val[feature_lst]
val_y val[bad_ind]# 训练模型
lr_model LogisticRegression(C0.1,class_weightbalanced)
lr_model.fit(lof_x,lof_y)# 训练集
print(lof异常检测后训练集的ks值)
y_pred lr_model.predict_proba(lof_x)[:,1] #取出训练集预测值
fpr_lr_train,tpr_lr_train,_ roc_curve(lof_y,y_pred) #计算TPR和FPR
train_ks abs(fpr_lr_train - tpr_lr_train).max() #计算训练集KS
print(train_ks : ,train_ks)#验证集
y_pred lr_model.predict_proba(val_x)[:,1] #计算验证集预测值
fpr_lr,tpr_lr,_ roc_curve(val_y,y_pred) #计算验证集预测值
val_ks abs(fpr_lr - tpr_lr).max() #计算验证集KS值
print(lof异常检测后验证集的ks值)
print(val_ks : ,val_ks)from matplotlib import pyplot as plt
plt.plot(fpr_lr_train,tpr_lr_train,label train LR)
plt.plot(fpr_lr,tpr_lr,label evl LR)
plt.plot([0,1],[0,1],k--)
plt.xlabel(False positive rate)
plt.ylabel(True positive rate)
plt.title(ROC Curve)
plt.legend(loc best)
plt.show()Isolation Forest(IF算法)
IF是采用二叉树的方法对数据进行切分数据点在二叉树中的数据深度反应了该条数据的‘疏离’程度。整个过程也是训练跟预测两个步骤
训练抽取多个样本构建多棵二叉树预测综合多棵二叉树的结果计算每个数据点的异常值
我们以一维数据来进行简单理解IF算法的思想我们有一个一维数据想将A和B点切分出来 1现在最大值和最小值之间随机选择一个x值将大于x值和小于x值的数据分为两组 2在两组数据中重复以上步骤直到数据不可分因为B点跟其他数据更远所以只要比较少次数就能分离 3A点由于跟其他数据比较近所以需要更多的次数才能切分出来。 我们不必了解它的公式我们直到它最后的分值即可
如果数据x在多个二叉树的平均路径长度都比较短得分比较接近1则数据x越异常如果数据x在多个二叉树的平均路径长度都比较长则得分更接近0则数据x越正常如果数据x在多个二叉树的平均路径长度是平均值则得分为0.5。
IF例子
同LOF使用一样的数据
from pyod.models.iforest import IForestdata pd.read_csv(Bcard.txt)
feature_lst [person_info,finance_info,credit_info,act_info]
# 划分数据
train data[data.obs_mth ! 2018-11-30].reset_index().copy()
val data[data.obs_mth 2018-11-30].reset_index().copy()
x train[feature_lst]
y train[bad_ind]if_clf IForest(behaviournew, n_estimators500, n_jobs-1)
if_clf.fit(x)
out_pred if_clf.predict_proba(x,methodlinear)[:,1]
train[out_pred] out_predif_x train[train.out_pred0.7][feature_lst]
if_y train[train.out_pred0.7][bad_ind]
val_x val[feature_lst]
val_y val[bad_ind]# 训练模型
lr_model LogisticRegression(C0.1,class_weightbalanced)
lr_model.fit(if_x,if_y)# 训练集
print(参数调整前的ks值)
y_pred lr_model.predict_proba(if_x)[:,1] #取出训练集预测值
fpr_lr_train,tpr_lr_train,_ roc_curve(if_y,y_pred) #计算TPR和FPR
train_ks abs(fpr_lr_train - tpr_lr_train).max() #计算训练集KS
print(train_ks : ,train_ks)#验证集
y_pred lr_model.predict_proba(val_x)[:,1] #计算验证集预测值
fpr_lr,tpr_lr,_ roc_curve(val_y,y_pred) #计算验证集预测值
val_ks abs(fpr_lr - tpr_lr).max() #计算验证集KS值
print(val_ks : ,val_ks)from matplotlib import pyplot as plt
plt.plot(fpr_lr_train,tpr_lr_train,label train LR)
plt.plot(fpr_lr,tpr_lr,label evl LR)
plt.plot([0,1],[0,1],k--)
plt.xlabel(False positive rate)
plt.ylabel(True positive rate)
plt.title(ROC Curve)
plt.legend(loc best)
plt.show()验证集的KS值有一定的上升。 原数据的ks值如下
