离群点检测Outlier Detection

在《新奇检测Novelty Detection》我们已经介绍了关于异常检测的基本理论、方法和基于python算法one-class SVM实现其中新奇检测的基本逻辑。本篇介绍异常检测的另外一个主题——离群点检测。

离群点检测是异常值检测的一种,其思路与新奇检测一致;区别在于离群点检测的原始观测数据集中已经包含异常值,而新奇检测则不包括。

以下是利用Python中SKlearn机器学习库的EllipticEnvelope实现对离群点的检测。EllipticEnvelope是Sklearn协方差估计中对高斯分布数据集的离群值检验方法,且该方法在高维度下的表现效果欠佳。

  1. #coding:utf-8
  2. import numpy as np
  3. from sklearn.covariance import EllipticEnvelope
  4. xx, yy = np.meshgrid(np.linspace(-5, 5, 500), np.linspace(-5, 5, 500))
  5. # 生成训练数据
  6. X = 0.3 * np.random.randn(100, 2)
  7. X_train = np.r_[X+2, X-2]
  8. # 生成新用于测试的数据
  9. X = 0.3 * np.random.randn(10, 2)
  10. X_test = np.r_[X + 2, X - 2]
  11. # 模型拟合
  12. clf = EllipticEnvelope()
  13. clf.fit(X_train)
  14. y_pred_train = clf.predict(X_train)
  15. y_pred_test = clf.predict(X_test)
  16. print ("novelty detection result:",y_pred_test)


 

以下为代码输出结果:

  1. ('novelty detection result:', array([ 1,  1,  1,  1,  1,  1,  1,  1, -1,  1,  1,  1,  1,  1,  1,  1,  1,  1, -1,  1]))


 


在该函数中,可配置的参数如下:

  1. class sklearn.covariance.EmpiricalCovariance(store_precision=True, assume_centered=False)


 

对比Python的这两种异常值检测方法,当数据集在高斯分布下时,基于鲁棒协方差估计的EmpiricalCovariance效果要好于OneClassSVM算法;但在非高斯分布情况下,OneClassSVM的应用效果要好于EmpiricalCovariance(例如数据集中包含两个核心)。

以下是在三种不同数据集的分布状态下,二者的应用效果对比:

在高斯分布下,EmpiricalCovariance效果好于OneClassSVM。plot_outlier_detection_0011111
在非高斯分布下,OneClassSVM效果好于EmpiricalCovariance。
plot_outlier_detection_0021111
在非高斯分布下,OneClassSVM效果好于EmpiricalCovariance。
plot_outlier_detection_0031111

除了上述算法外,Python 的Sklearn机器学习库还提供了EmpiricalCovariance和MinCovDet两种算法。EmpiricalCovariance是基于最大似然协方差估计的算法。MinCovDet是基于最小协方差行列式(Minimum Covariance Determinant,简称MCD)的算法,是鲁棒协方差估计。


 

尾巴

但整体来看,离群值检测的方法还主要集中在基于统计模型的监测上,这种算法的应用局限性在文章《新奇检测Novelty Detection》中已经提到。Python 的SKlearn中对于异常检测的算法支持不够丰富,而且其中除了OneClassSVM的使用场景相对广泛之外,其余的算法应用型比较局限。


====================【好书推荐,我为自己代言】====================

《电商流量数据化运营》出版了!

  • 10余年业务经验总结:将我在甲方和乙方,跨企业和跨行业的经验总结起来,供大家快速提升,少走弯路。
  • 流量运营教科书:内容围绕流量数据化运营的全流程展开,涵盖渠道策略与计划管理、媒体投放与执行管理、渠道投放效果评估与分析、流量运营监控与效果复盘等各个环节。
  • 有用、实用:不讲数据分析理论,不讲数据分析工具使用,所有方法均可在工作中直接使用,而且围绕流量数据化运营的常见问题展开。
  • 易用、易读:不要求会Python,会用Excel就行,无晦涩难懂的理论和复杂的推导过程。
  • 以场景应用为核心:以业务场景为切入点,内容上围绕业务问题、数据支持方案、实用工具实操的思路,用数据解决每个具体业务问题。
如果你对本书感兴趣,请点击这里查看更多信息!当然,你也可以先加我微信了解一下。

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注