用Python中从头开始的实现完整的异常检测算法

利用概率的异常检测算法

异常检测可以作为离群分析的统计任务来对待。 但是,如果我们开发一个机器学习模型,它可以自动化,并且像往常一样可以节省大量时间。 有很多异常检测用例。 信用卡欺诈检测,故障机器检测或基于其异常功能的硬件系统检测,基于病历的疾病检测都是很好的例子。 还有更多用例。 并且异常检测的使用只会增加。

在本文中,我将解释从头开始用Python开发异常检测算法的过程。

用Python中从头开始的实现完整的异常检测算法

公式和过程

与我之前解释的其他机器学习算法相比,这将简单得多。 该算法将使用均值和方差来计算每个训练数据的概率。

如果一个训练示例的概率很高,那是正常的。 如果某个训练示例的概率较低,则为异常示例。 对于不同的训练集,高概率和低概率的定义将有所不同。 稍后我们将讨论如何确定。

如果我必须解释异常检测的工作过程,那非常简单。

(1) 使用以下公式计算平均值:

用Python中从头开始的实现完整的异常检测算法

这里m是数据集的长度或训练数据的数量,xi是一个训练示例。 如果您拥有多个训练功能,那么大多数时候您将需要为每个功能计算平均值。

(2) 使用以下公式计算方差:

用Python中从头开始的实现完整的异常检测算法

此处,mu是从上一步计算得出的平均值。

(3) 现在,使用此概率公式计算每个训练示例的概率。

用Python中从头开始的实现完整的异常检测算法

不要为这个公式中的加号感到困惑! 这实际上是对角线形状的变化。

稍后我们将实现算法时,您将看到它的外观。

(4) 我们现在需要找到概率的阈值。 正如我之前提到的,如果训练示例的概率较低,那么这就是一个异常示例。

低概率是多少概率?

没有通用的限制。 我们需要为我们的训练数据集找到答案。

我们从步骤3中获得的输出中获取一系列概率值。对于每种概率,如果数据是异常或正常的,请找到标签。

然后计算一系列概率的精度,召回率和f1分数。

可以使用以下公式计算精度

用Python中从头开始的实现完整的异常检测算法

召回率可以通过以下公式计算:

用Python中从头开始的实现完整的异常检测算法

在此,"正肯定"是指算法将示例检测为异常并且实际上是异常的情况下的数量。

当算法将示例检测为异常时会出现误报,但事实并非如此。

False Negative表示算法检测到的示例不是异常示例,但实际上,这是一个异常示例。

从上面的公式中,您可以看到更高的精度和更高的召回率总会很好,因为这意味着我们拥有更多的积极优势。 但是同时,如您在公式中所看到的,误报和误报也起着至关重要的作用。 那里需要保持平衡。 根据您所在的行业,您需要确定哪个是您可以容忍的。

一个好的方法是取平均值。 有一个求平均值的独特公式。 这就是f1分数。 f1得分的公式是:

用Python中从头开始的实现完整的异常检测算法

这里,P和R分别是精度和召回率。

我不会详细说明为什么公式如此独特。 因为本文是关于异常检测的。 如果您有兴趣了解有关精度,召回率和f1得分的更多信息,请在此处查看有关该主题的详细文章:

完全了解精度,召回率和F分数概念

如何处理机器学习中偏斜的数据集

根据f1分数,您需要选择阈值概率。

1是完美的f得分,0是最差的概率得分。

异常检测算法

我将使用Andrew Ng的机器学习课程中的数据集,该数据集具有两个训练功能。 我没有使用本文的真实数据集,因为该数据集非常适合学习。 它只有两个功能。 在任何现实世界的数据集中,不可能只有两个功能。

开始任务吧!

首先,导入必要的软件包

import pandas as pd 
import numpy as np 

导入数据集。 这是一个excel数据集。 此处,训练数据和交叉验证数据存储在单独的表格中。 因此,让我们带来培训数据。

df = pd.read_excel('ex8data1.xlsx', sheet_name='X', header=None) 
df.head() 
用Python中从头开始的实现完整的异常检测算法

让我们针对第1列绘制第0列。

plt.figure() 
plt.scatter(df[0], df[1]) 
plt.show() 
用Python中从头开始的实现完整的异常检测算法

通过查看此图,您可能知道哪些数据是异常的。

检查此数据集中有多少训练示例:

m = len(df) 

计算每个特征的平均值。 这里我们只有两个功能:0和1。

s = np.sum(df, axis=0) 
mu = s/mmu 

输出:

0 14.1122261 14.997711 
dtype: float64 

根据上面"公式和过程"部分所述的公式,计算出方差:

vr = np.sum((df - mu)**2, axis=0) 
variance = vr/mvariance 

输出:

0 1.8326311 1.709745 
dtype: float64 

现在使其成为对角线形状。 正如我在概率公式后面的"公式和过程"部分所解释的那样,求和符号实际上是方差的对角线。

var_dia = np.diag(variance) 
var_dia 

输出:

array([[1.83263141, 0. ], [0. , 1.70974533]]) 

计算概率:

k = len(mu) 
X = df - mu 
p = 1/((2*np.pi)**(k/2)*(np.linalg.det(var_dia)**0.5))* np.exp(-0.5* np.sum(X @ np.linalg.pinv(var_dia) * X,axis=1)) 
p 
用Python中从头开始的实现完整的异常检测算法

训练部分完成。

下一步是找出阈值概率。 如果该概率低于阈值概率,则示例数据为异常数据。 但是我们需要为我们的特殊情况找出该阈值。

在此步骤中,我们使用交叉验证数据以及标签。 在此数据集中,我们具有交叉验证数据以及单独的工作表中的标签。

对于您的情况,您只需保留原始数据的一部分以进行交叉验证。

现在导入交叉验证数据和标签:

cvx = pd.read_excel('ex8data1.xlsx', sheet_name='Xval', header=None) 
cvx.head() 
用Python中从头开始的实现完整的异常检测算法

标签是:

cvy = pd.read_excel('ex8data1.xlsx', sheet_name='y', header=None) 
cvy.head() 

用Python中从头开始的实现完整的异常检测算法

我将" cvy"转换为NumPy数组只是因为我喜欢使用数组。 DataFrames也很好。

y = np.array(cvy) 

输出:

#Part of the array 
array([[0], [0], [0], [0], [0], [0], [0], [0], [0], 

在这里," y"的值为0表示这是一个正常的例子,而y的值为1则表示这是一个异常的例子。

现在,如何选择阈值?

我不想只是从概率列表中检查所有概率。 那可能是不必要的。 让我们再检查几率值。

p.describe() 

输出:

count 3.070000e+02 
mean 5.905331e-02 
std 2.324461e-02 
min 1.181209e-2325% 4.361075e-0250% 6.510144e-0275% 7.849532e-02 
max 8.986095e-02 
dtype: float64 

如您在图片中看到的,我们没有太多异常数据。 因此,如果我们仅从75%的值开始,那应该很好。 但是为了更加安全,我将从平均值开始。

因此,我们将从平均值到较低范围取一系列概率。 我们将检查该范围内每个概率的f1分数。

首先,定义一个函数来计算真实肯定,错误肯定和错误否定:

def tpfpfn(ep): 
 tp, fp, fn = 0, 0, 0 
 for i in range(len(y)): 
   if p[i] <= ep and y[i][0] == 1: 
    tp += 1 
   elif p[i] <= ep and y[i][0] == 0: 
    fp += 1 
   elif p[i] > ep and y[i][0] == 1: 
    fn += 1 
 return tp, fp, fn 

列出小于或等于平均概率的概率。

eps = [i for i in p if i <= p.mean()] 

检查清单的长度,

len(eps) 

输出:

133 

根据我们之前讨论的公式,定义一个函数来计算f1分数:

def f1(ep): 
 tp, fp, fn = tpfpfn(ep) 
 prec = tp/(tp + fp) 
 rec = tp/(tp + fn) 
 f1 = 2*prec*rec/(prec + rec) 
 return f1 

所有功能都准备就绪!

现在计算所有ε或我们之前选择的概率值范围的f1分数。

f = [] 
for i in eps: 
f.append(f1(i)) 
f 

输出:

[0.14285714285714285, 0.14035087719298248, 0.1927710843373494, 0.1568627450980392, 0.208955223880597, 0.41379310344827586, 0.15517241379310345, 0.28571428571428575, 0.19444444444444445, 0.5217391304347826, 0.19718309859154928, 0.19753086419753085, 0.29268292682926833, 0.14545454545454545, 

这是f得分列表的一部分。 长度应为133。

f分数通常介于0和1之间,其中1是完美的f分数。 f1分数越高越好。 因此,我们需要从刚刚计算出的" f"分数列表中获得最高的f分数。

现在,使用" argmax"函数确定最大f得分值的索引。

np.array(f).argmax() 

输出:

131 

现在使用该索引来获取阈值概率。

e = eps[131] 
e 

输出:

6.107184445968581e-05 

找出异常的例子

我们有阈值概率。 我们可以从中找出训练数据的标签。

如果概率值小于或等于该阈值,则数据为异常,否则为正常。 我们将正常数据和异常数据分别表示为0和1,

label = [] 
for i in range(len(df)): 
if p[i] <= e: 
label.append(1) 
else: 
label.append(0) 
 
label 

输出:

[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 

这是标签列表的一部分。

我将在上面的训练数据集中添加此计算出的标签:

df['label'] = np.array(label) 
df.head() 
用Python中从头开始的实现完整的异常检测算法

我绘制了红色标签为1以及黑色标签为零的数据。 这是情节。

用Python中从头开始的实现完整的异常检测算法

是否有意义?

是吗? 红色的数据显然是异常的。

相关推荐