社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  Python

Python 离群点检测算法 -- KNN

数据STUDIO • 8 月前 • 270 次点击  


K-nearest neighbor(KNN)是机器学习中最受欢迎的算法之一,被广泛应用于监督学习和无监督学习。在监督学习中,KNN用于计算与k个邻居的距离,并可以定义离群值。而在无监督学习中,KNN也可以用于计算邻居的距离,然后定义离群值。在PyOD中,KNN算法主要用于无监督学习。本文将讨论KNN在监督学习和无监督学习中的应用以及如何定义异常点得分。更多异常检测技术可见文末好文推荐~

KNN 作为无监督学习

无监督 KNN 方法使用欧氏距离计算观测值和其他观测值之间的距离,无需调整参数即可提高性能。其步骤包括计算每个数据点与其他数据点的距离,根据距离从小到大对数据点进行排序,然后选取前 K 个条目。常用的距离计算方法之一是欧氏距离。

  • 步骤1:计算每个数据点与其他数据点的距离。
  • 步骤2:根据距离从小到大对数据点进行排序。
  • 步骤3:选取前 K 个条目。

计算两个数据点之间的距离有多种选择。最常用的是欧氏距离。

KNN 作为监督学习

KNN算法是一种常用的监督学习分类算法,用于预测新数据点的类别,基于假设相似的数据点通常彼此靠近。通过计算新数据点与其他数据点的距离并选取最近的 5 个邻居,算法进行了类别统计,然后采用多数投票规则来确定类别。举例来说,当出现一个新数据点时,如果有 4 个红色类和 1 个蓝色类的邻居,那么该新数据点将被分配为红色类。

KNN 监督学习算法

这个过程可以总结如下:除了步骤1至3外,监督学习KNN还包括步骤4和5:

  • 步骤4:在这K个邻居中,统计类别的数量。
  • 步骤5:将新数据点分配到多数类。

如何定义异常点得分?

离群点是与相邻点距离较远的点,其离群点得分定义为与其第 k 个近邻的距离。每个点都有一个离群点得分。我们的目标是找出离群点得分高的点。

PyOD 中的 KNN 方法使用三种距离度量之一作为离群点得分:最大值(默认值)、平均值和中值。最大值使用到 k 个邻居的最大距离作为离群点得分,而平均值和中值分别使用平均值和中值作为离群值。

建模步骤

在建模过程中,步骤1要建立模型并识别离群值。步骤2选择一个阈值,将离群值和正常观测值分开。在步骤3中,使用各组的描述性统计量对两组进行分析,确保模型合理性。若发现异常组特征的平均值与预期不符,需调查、修改或放弃该特征,并重复以上步骤直到符合预期。

步骤 1:建立模型

使用PyOD的generate_data()实用程序生成带有异常值的数据,其中包含10%的离群值。需要注意的是,尽管这个模拟数据集包含目标变量Y,但无监督的KNN模型只使用X变量,而Y变量仅用于验证。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from pyod.utils.data import generate_data
contamination = 0.05 # percentage of outliers
n_train = 500       # number of training points
n_test = 500        # number of testing points
n_features = 6      # number of features
X_train, X_test, y_train, y_test = generate_data(
    n_train=n_train, 
    n_test=n_test, 
    n_features= n_features, 
    contamination=contamination, 
    random_state=123)

# Make the 2d numpy array a pandas dataframe for each manipulation 
X_train_pd = pd.DataFrame(X_train)
    
# Plot
plt.scatter(X_train_pd[0], X_train_pd[1], c=y_train, alpha=0.8)
plt.title('Scatter plot')
plt.xlabel('x0')
plt.ylabel('x1')
plt.show()

散点图中的黄色点是百分之十的异常值。紫色点为 "正常" 观测值。

以下代码计算 k-NN 模型,并将其存储为 knn,请注意,函数.fit() 中没有 y,在无监督方法中,y 会被忽略。def fit(self, X,y=None) 如果指定了 y,就会变成监督方法。

接下来的代码将建立模型,并对训练数据和测试数据进行评分。每行的含义如下:

  • label_:训练数据的标签向量,在训练数据上使用.predict()时也是如此。
  • decision_scores_:训练数据的分数向量,在训练数据上使用.decision_functions()时也是如此。
  • Decisoin_score():为每个观测值分配离群值分数的评分函数。
  • predict():预测函数,根据指定的阈值赋值 1 或 0。
  • contamination:异常值的百分比,PyOD 将污染率默认为 10%。该参数不影响离群值分数的计算。
from pyod.models.knn import KNN
knn = KNN(contamination=0.05
knn.fit(X_train)

# Training data
y_train_scores = knn.decision_function(X_train)
y_train_pred = knn.predict(X_train)

# Test data
y_test_scores = knn.decision_function(X_test)
y_test_pred = knn.predict(X_test) # outlier labels (0 or 1)

def count_stat(vector):
    # Because it is '0' and '1', we can run a count statistic. 
    unique, counts = np.unique(vector, return_counts=True)
    return dict(zip(unique, counts))

print("The training data:", count_stat(y_train_pred))
print("The training data:", count_stat(y_test_pred))
# Threshold for the defined comtanimation rate
print("The threshold for the defined comtanimation rate:" , knn.threshold_)
The training data: {0: 475, 1: 25}
The training data: {0: 475, 1: 25}
The threshold for the defined comtanimation rate:
0.7566127656515499

让我们使用.get_params() 查看 KNN 的默认参数。邻居数为 5.0。污染率设置为 5%。

knn.get_params()
{'algorithm': 'auto',
'contamination': 0.05,
'leaf_size': 30,
'method': 'largest',
'metric': 'minkowski',
'metric_params': None,
'n_jobs': 1,
'n_neighbors': 5,
'p': 2,
'radius': 1.0}

步骤 2:确定合理的阈值

在大多数情况下,我们无法确定异常值的百分比。我们可以利用异常值得分的直方图来选择合理的阈值。如果有先验知识表明异常值占1%,那么应选择一个使得异常值约为1%的阈值。图(D.2)中的离群点得分直方图显示阈值为200.0,因为直方图中存在一个自然的切点。大多数数据点的异常点得分都很低。若选择1.0作为切点,可以认为那些>=1.0的数据点是异常值。

import matplotlib.pyplot as plt
plt.hist(y_train_scores, bins='auto')  # arguments are passed to np.histogram
plt.title("Histogram with 'auto' bins")
plt.xlabel('KNN outlier score')
plt.show()

步骤 3:分析正常组和异常组

对于证明模型合理性来说,剖析正常组和异常组是关键步骤。正常组和异常组的特征统计数据应与领域知识保持一致。如果异常组中某个特征的平均值与预期相反,建议检查、修改或放弃该特征。需要重复建模过程,直到所有特征都与先验知识保持一致。同时,如果数据提供了新的见解,也建议验证先前的知识。

threshold = knn.threshold_ 


    
# Or other value from the above histogram

def descriptive_stat_threshold(df,pred_score, threshold):
    # Let's see how many '0's and '1's.
    df = pd.DataFrame(df)
    df['Anomaly_Score'] = pred_score
    df['Group'] = np.where(df['Anomaly_Score']'Normal', 'Outlier')

    # Now let's show the summary statistics:
    cnt = df.groupby('Group')['Anomaly_Score'].count().reset_index().rename(columns={'Anomaly_Score':'Count'})
    cnt['Count %'] = (cnt['Count'] / cnt['Count'].sum()) * 100 # The count and count %
    stat = df.groupby('Group').mean().round(2).reset_index() # The avg.
    stat = cnt.merge(stat, left_on='Group',right_on='Group'# Put the count and the avg. together
    return (stat)

descriptive_stat_threshold(X_train,y_train_scores, threshold)
统计分析

正常组和异常组的特征显示在上表中,包括计数和计数百分比。该表揭示了几个关键结果:

  • 离群组的大小:一旦确定了阈值,大小也就确定了。大小统计成了一个很好的参考,尤其是当阈值来源于图 (D.2) 而且没有任何先验知识时。
  • 每组中的特征统计量:所有均值必须与领域知识一致。在我们的案例中,离群组的均值小于正常组的均值。
  • 异常点平均得分:离群组的平均得分应高于正常组。对分数不需要做太多解释。

因为我们已经掌握了基本事实,所以可以生成混淆矩阵来了解模型的性能。该模型表现出色,成功识别出了所有 25 个离群值。

Actual_pred = pd.DataFrame({'Actual': y_test, 'Anomaly_Score': y_test_scores})
Actual_pred['Pred'] = np.where(Actual_pred['Anomaly_Score']0,1)
pd.crosstab(Actual_pred['Actual'],Actual_pred['Pred'])

通过汇总多个模型实现模型稳定性

要生成结果稳定的模型,最好的做法是建立多个 KNN 模型,然后汇总得分。这种方法可以减少过拟合的机会,提高预测的准确性。

PyOD 模块提供了四种汇总结果的方法。只需使用一种方法即可得出汇总结果。

  • 平均(AVG)
  • 最大值的最大值 (MOM)
  • 平均最大值 (AOM)
  • 平均值的最大值 (MOA)

我将创建 20 个 KNN 模型,k 个邻居的范围从 10 到 200。

from pyod.models.combination import aom, moa, average, maximization
from pyod.utils.utility import standardizer
# Standardize data
X_train_norm, X_test_norm = standardizer(X_train, X_test)
# Test a range of k-neighbors from 10 to 200. There will be 20 k-NN models.
k_list = [102030405060708090100110
 120130140150160170180190200]
n_clf = len(k_list)
# Just prepare data frames so we can store the model results
train_scores = np.zeros([X_train.shape[0], n_clf])
test_scores = np.zeros([X_test.shape[0], n_clf])
train_scores.shape
# Modeling
for i in range(n_clf):
    k = k_list[i]
    clf = KNN(n_neighbors=k, method='largest')
    clf.fit(X_train_norm)

    # Store the results in each column:
    train_scores[:, i] = clf.decision_scores_
    test_scores[:, i] = clf.decision_function(X_test_norm) 
# Decision scores have to be normalized before combination
train_scores_norm, test_scores_norm = standardizer(train_scores,test_scores)
# Combination by average
# The test_scores_norm is 500 x 10. The "average" function will take the average of the 10 columns. 
# The result "y_by_average" is a single column: 
y_train_by_average = average(train_scores_norm)
y_test_by_average = average(test_scores_norm)
import matplotlib.pyplot as plt
plt.hist(y_train_by_average, bins='auto'# arguments are passed to np.histogram
plt.title("Combination by average")
plt.show()
训练数据平均预测值直方图

大部分数据低于 0.0,部分异常值在 1.0 左右。将阈值设置为 1.0 或甚至 2.0 可能更合理。这样,可以对正常组和离群组进行分析。25 个数据点被确定为离群值。离群组的特征均值均小于正常组,与下表的结果一致。

descriptive_stat_threshold(X_train,y_train_by_average, 0.5)

KNN算法总结

无监督 KNN 方法使用欧氏距离计算观测值之间的关系,无需调整参数即可计算邻居之间的距离。KNN 将离群值定义为与第 k 个近邻的距离。

往期推荐阅读


理论结合实践,一文搞定异常检测技术
异常检测从入门到应用
用于时间序列异常值检测的全栈机器学习系统
超全面! 14 种数据异常值检验方法
基于机器学习的异常检测与分析技术
基于Python的时间序列异常值检测
Python异常值的自动检测实战案例
又一强大的异常检测开源工具库:PyOD
再来一个时序异常检测工具:ADTK
使用 Hampel 进行离群点检测
HBOS 绝了!Python 离群值检测太强了!
Python 离群值检测算法--ECOD

🏴‍☠️宝藏级🏴‍☠️ 原创公众号『数据STUDIO』内容超级硬核。公众号以Python为核心语言,垂直于数据科学领域,包括可戳👉 PythonMySQL数据分析数据可视化 机器学习与数据挖掘爬虫 等,从入门到进阶!

长按👇关注- 数据STUDIO -设为星标,干货速递

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/169224
 
270 次点击