【异常点检测 孤立森林算法】10分钟带你了解下孤立森林算法

本文主要是介绍【异常点检测 孤立森林算法】10分钟带你了解下孤立森林算法，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

孤立森林(isolation Forest)算法，2008年由刘飞、周志华等提出，算法不借助类似距离、密度等指标去描述样本与其他样本的差异，而是直接去刻画所谓的疏离程度(isolation)，因此该算法简单、高效，在工业界应用较多。

用一个例子来说明孤立森林的思想：假设现在有一组一维数据（如下图），我们要对这组数据进行切分，目的是把点A和 B单独切分出来，先在最大，值和最小值之间随机选择一个值 X，然后按照 <X 和 >=X 可以把数据分成左右两组，在这两组数据中分别重复这个步骤，直到数据不可再分。
点B跟其他数据比较疏离，可能用很少的次数就可以把它切分出来，点 A 跟其他数据点聚在一起，可能需要更多的次数才能把它切分出来。
那么从统计意义上来说，相对聚集的点需要分割的次数较多，比较孤立的点需要的分割次数少，孤立森林就是利用分割的次数来度量一个点是聚集的（正常）还是孤立的（异常）。

下面构造一个例子 ，数据集是月工资的，单位为万，看看哪些是异常的。

我们用sklearn 实现，我们使用sklearn中的孤立森林，进行参数调节讲解，一般任务默认参数即可，算法API地址：

孤立森林sklearn官方api接口

1、基本用法

sklearn.ensemble.IsolationForest(*, n_estimators=100, max_samples='auto', contamination='auto', max_features=1.0, bootstrap=False, n_jobs=None, random_state=None, verbose=0, warm_start=False)

2、参数详解

n_estimators : int, optional (default=100)iTree的个数，指定该森林中生成的随机树数量，默认为100个max_samples : int or float, optional (default=”auto”)构建子树的样本数，整数为个数，小数为占全集的比例，用来训练随机数的样本数量，即子采样的大小如果设置的是一个int常数，那么就会从总样本X拉取max_samples个样本来生成一棵树iTree如果设置的是一个float浮点数，那么就会从总样本X拉取max_samples * X.shape[0]个样本,X.shape[0]表示总样本个数如果设置的是"auto"，则max_samples=min(256, n_samples)，n_samples即总样本的数量如果max_samples值比提供的总样本数量还大的话，所有的样本都会用来构造数，意思就是没有采样了，构造的n_estimators棵iTree使用的样本都是一样的，即所有的样本contamination : float in (0., 0.5), optional (default=0.1)取值范围为(0., 0.5),表示异常数据占给定的数据集的比例，数据集中污染的数量，其实就是训练数据中异常数据的数量，比如数据集异常数据的比例。定义该参数值的作用是在决策函数中定义阈值。如果设置为'auto'，则决策函数的阈值就和论文中定义的一样max_features : int or float, optional (default=1.0)构建每个子树的特征数，整数位个数，小数为占全特征的比例，指定从总样本X中抽取来训练每棵树iTree的属性的数量，默认只使用一个属性如果设置为int整数，则抽取max_features个属性如果是float浮点数，则抽取max_features * X.shape[1]个属性bootstrap : boolean, optional (default=False)
采样是有放回还是无放回，如果为True，则各个树可放回地对训练数据进行采样。如果为False，则执行不放回的采样。n_jobs :int or None, optional (default=None)
在运行fit()和predict()函数时并行运行的作业数量。除了在joblib.parallel_backend上下文的情况下，None表示为1。设置为-1则表示使用所有可用的处理器random_state : int, RandomState instance or None, optional (default=None)每次训练的随机性如果设置为int常数，则该random_state参数值是用于随机数生成器的种子如果设置为RandomState实例，则该random_state就是一个随机数生成器如果设置为None，该随机数生成器就是使用在np.random中的RandomState实例verbose : int, optional (default=0)训练中打印日志的详细程度，数值越大越详细warm_start : bool, optional (default=False)
当设置为True时，重用上一次调用的结果去fit,添加更多的树到上一次的森林1集合中；否则就fit一整个新的森林3、属性
base_estimator_：The child estimator template used to create the collection of fitted sub-estimators.estimators_：list of ExtraTreeRegressor instances The collection of fitted sub-estimators.estimators_：features_list of ndarray The subset of drawn features for each base estimator.estimators_samples_：list of ndarray The subset of drawn samples for each base estimator.max_samples_：The actual number of samplesn_features_：DEPRECATED: Attribute n_features_ was deprecated in version 1.0 and will be removed in 1.2.n_features_in_：Number of features seen during fit.feature_names_in_：Names of features seen during fit. Defined only when X has feature names that are all strings4、方 法
fit(X[, y, sample_weight])：训练模型decision_function(X)：返回平均异常分数predict(X)：预测模型返回1或者-1fit_predict(X[, y])：训练-预测模型一起完成get_params([deep])：Get parameters for this estimator.score_samples(X)：Opposite of the anomaly score defined in the original paper.set_params(**params)：Set the parameters of this estimator.

代码实现例子：

# -*- coding: utf-8 -*-# 加载模型所需要的的包
import pandas  as pd
from sklearn.ensemble import IsolationForest
import warnings
warnings.filterwarnings('ignore')# 构造一个数据集，只包含一列数据，假如都是月薪数据，有些可能是错的
df = pd.DataFrame({'salary':[4,1,4,5,3,6,2,5,6,2,5,7,1,8,12,33,4,7,6,7,8,55]})#构建模型 ,n_estimators=100 ,构建100颗树
model = IsolationForest(n_estimators=100,max_samples='auto',contamination=float(0.1),max_features=1.0)
# 训练模型
model.fit(df[['salary']])# 预测 decision_function 可以得出 异常评分
df['scores']  = model.decision_function(df[['salary']])#  predict() 函数 可以得到模型是否异常的判断，-1为异常，1为正常
df['anomaly'] = model.predict(df[['salary']])
print(df)

运行结果：

    salary    scores  anomaly
0        4  0.212483        1
1        1  0.090735        1
2        4  0.212483        1
3        5  0.224400        1
4        3  0.163518        1
5        6  0.225034        1
6        2  0.160745        1
7        5  0.224400        1
8        6  0.225034        1
9        2  0.160745        1
10       5  0.224400        1
11       7  0.209048        1
12       1  0.090735        1
13       8  0.164438        1
14      12 -0.010082       -1
15      33 -0.115611       -1
16       4  0.212483        1
17       7  0.209048        1
18       6  0.225034        1
19       7  0.209048        1
20       8  0.164438        1
21      55 -0.186734       -1Process finished with exit code 0

我们可以看到，发现了三个异常的数据，和我们认知差不多，都是比较高的，并且异常值越大，异常分scores就越大，比如那个月薪55万的，不是变态就是数据错了。

这篇关于【异常点检测 孤立森林算法】10分钟带你了解下孤立森林算法的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---