数据挖掘中的异常值检测算法

一、关于异常检测

异常检测（outlier detection）在以下场景：

• 数据预处理
• 病毒木马检测
• 工业制造产品检测
• 网络流量检测、
• 信用卡诈骗

下面主要介绍一些检测算法，后续还会更新。。。

1. OneClassSVM

One Class SVM是指你的training data只有一类positive（或者negative）的data，而没有其他的类。在这里，你需要learn的实际上是你training data的boundary。而这时不能使用maximum margin了。

这样就变成了与SVM类似的最优化问题，将其转换为拉格朗日函数。。。

具体原理可见《图解机器学习》

sklearn实现：OneClassSVM

主要参考官网的该案例：One-class SVM with non-linear kernel (RBF)

2. 局部异常因子算法-Local Outlier Factor(LOF)

具体原理可见《图解机器学习》

python实现的lof算法： 
https://github.com/damjankuznar/pylof 

https://github.com/wangyibo360/pylof 

3.iForest （Isolation Forest）孤立森林 

详情见：https://www.jianshu.com/p/5af3c66e0410

代码实现：

 http://scikit-learn.org/stable/modules/generated/sklearn.ensemble.IsolationForest.html

 

转载于:https://www.cnblogs.com/chaofn/p/8670738.html