异常点检测算法工具库（pyod）介绍+代码
异常点检测算法工具库（pyod）
-
- 一、PyOD介绍
- 二、PyOD主要亮点
- 三、工具库相关重要信息汇总：
- 四、作者介绍：
- 五、API介绍与实例（API References & Examples）
- 六、代码及效果图
-
- 6.1 代码
- 6.2 效果图
项目地址：
https://github.com/yzhao062/Pyod#ramaswamy2000efficient
参考资料：
知乎-用PyOD工具库进行「异常检测」
使用PyOD库在Python中进行离群值检测
PyOD在线文档
CSDN-离群点异常检测及可视化分析工具pyod测试
☆☆☆☆☆作者写的异常检测方向的资料，强烈推荐阅读☆☆☆☆☆
【强烈推荐阅读】异常检测算法应用与实践_CMU赵越
一、PyOD介绍
异常检测（又称outlier detection、anomaly detection，离群值检测）是一种重要的数据挖掘方法，可以找到与“主要数据分布”不同的异常值（deviant from the general data distribution），比如从信用卡交易中找出诈骗案例，从正常的网络数据流中找出入侵，有非常广泛的商业应用价值。同时它可以被用于机器学习任务中的预处理（preprocessing），防止因为少量异常点存在而导致的训练或预测失败。
二、PyOD主要亮点
● 包括近20种常见的异常检测算法，比如经典的LOF/LOCI/ABOD以及最新的深度学习如对抗生成模型（GAN）和集成异常检测（outlier ensemble）
● 支持不同版本的Python：包括2.7和3.5+；支持多种操作系统：windows，macOS和Linux
● 简单易用且一致的API，只需要几行代码就可以完成异常检测，方便评估大量算法
● 使用JIT和并行化（parallelization）进行优化，加速算法运行及扩展性（scalability），可以处理大量数据
三、工具库相关重要信息汇总：
● Github地址: pyod
● PyPI下载地址: pyod
● 文档与API介绍（英文）: Welcome to PyOD documentation!
● Jupyter Notebook示例（notebooks文件夹）: Binder (beta)
● JMLR论文: PyOD: A Python Toolbox for Scalable Outlier Detection
四、作者介绍：
微调
数据挖掘 | 机器学习系统 | 前咨询师 | 在读博士
职业经历：
斯坦福大学 (Stanford University) · Visiting Student Researcher
艾昆纬 (IQVIA) · machine learning research intern
普华永道 · 高级数据科学家
教育经历：
卡内基梅隆大学 (Carnegie Mellon University) · 信息系统
多伦多大学 (University of Toronto) · 计算机科学
辛辛那提大学 · 计算机工程（CE）
山西省实验中学
个人简介
- 机器学习系统架构师，参与设计了10个工具库/系统，GitHub Star>10000，下载量>300,0000
- 生物制药 x 机器学习: https://github.com/mims-harvard/TDC
- 大规模异常检测模型 SUOD：https://github.com/yzhao062/suod
- PyOD异常检测工具库：https://github.com/yzhao062/pyod
- 个人主页：https://www.andrew.cmu.edu/user/yuezhao2
- GayHub: https://github.com/yzhao062
- Google Scholar: https://scholar.google.com/cita
五、API介绍与实例（API References & Examples）
Examples可下载github项目中查看和运行。
特别需要注意的是，异常检测算法基本都是无监督学习，所以只需要X（输入数据），而不需要y（标签）。PyOD的使用方法和Sklearn中聚类分析很像，它的检测器（detector）均有统一的API。所有的PyOD检测器clf均有统一的API以便使用，完整的API使用参考可以查阅（API CheatSheet - pyod 0.6.8 documentation）：
- fit(X): 用数据X来“训练/拟合”检测器clf。即在初始化检测器clf后，用X来“训练”它。
- fit_predict_score(X, y): 用数据X来训练检测器clf，并预测X的预测值，并在真实标签y上进行评估。此处的y只是用于评估，而非训练
- decision_function(X): 在检测器clf被fit后，可以通过该函数来预测未知数据的异常程度，返回值为原始分数，并非0和1。返回分数越高，则该数据点的异常程度越高
- predict(X): 在检测器clf被fit后，可以通过该函数来预测未知数据的异常标签，返回值为二分类标签（0为正常点，1为异常点）
- predict_proba(X): 在检测器clf被fit后，预测未知数据的异常概率，返回该点是异常点概率
当检测器clf被初始化且fit(X)函数被执行后，clf就会生成两个重要的属性： - decision_scores: 数据X上的异常打分，分数越高，则该数据点的异常程度越高
- labels_: 数据X上的异常标签，返回值为二分类标签（0为正常点，1为异常点）
不难看出，当我们初始化一个检测器clf后，可以直接用数据X来“训练”clf，之后我们便可以得到X的异常分值（clf.decision_scores）以及异常标签（clf.labels_）。当clf被训练后（当fit函数被执行后），我们可以使用decision_function()和predict()函数来对未知数据进行训练。
在有了背景知识后，我们可以使用PyOD来实现一个简单的异常检测实例：
from pyod.models.knn import KNN # imprt kNN分类器
# 训练一个kNN检测器
clf_name = 'kNN'
clf = KNN() # 初始化检测器clf
clf.fit(X_train) # 使用X_train训练检测器clf
# 返回训练数据X_train上的异常标签和异常分值
y_train_pred = clf.labels_ # 返回训练数据上的分类标签 (0: 正常值, 1: 异常值)
y_train_scores = clf.decision_scores_ # 返回训练数据上的异常值 (分值越大越异常)
# 用训练好的clf来预测未知数据中的异常值
y_test_pred = clf.predict(X_test) # 返回未知数据上的分类标签 (0: 正常值, 1: 异常值)
y_test_scores = clf.decision_function(X_test) # 返回未知数据上的异常值 (分值越大越异常)
不难看出，PyOD的API和scikit-learn非常相似，只需要几行就可以得到数据的异常值。当检测器得到输出后，我们可以用以下代码评估其表现，或者直接可视化分类结果（图2）。
# 评估预测结果
print("\nOn Test Data:")
evaluate_print(clf_name, y_test, y_test_scores)
# 可视化
visualize(clf_name, X_train, y_train, X_test, y_test, y_train_pred,
y_test_pred, show_figure=True, save_figure=False)
六、代码及效果图
6.1 代码
#!/usr/bin/env python
# -*- encoding: utf-8 -*-
"""
@File : outlierDetection.py
@Modify Time @Author @Version @Description
------------ ------- -------- -----------
2021/8/12 14:06 SeafyLiang 1.0 离群点检测pyod
"""
import numpy as np
from scipy import stats
import matplotlib.pyplot as plt
import matplotlib.font_manager
# 检测数据集中异常值的模型
from pyod.models.abod import ABOD
from pyod.models.cblof import CBLOF
# from pyod.models.feature_bagging import FeatureBagging
from pyod.models.hbos import HBOS
from pyod.models.iforest import IForest
from pyod.models.knn import KNN
# from pyod.models.loci import LOCI
# from pyod.models.sod import SOD
from pyod.models.lof import LOF
from pyod.models.mcd import MCD
from pyod.models.ocsvm import OCSVM
from pyod.models.pca import PCA
from pyod.utils.data import generate_data, get_outliers_inliers
"""
参考资料：
https://blog.csdn.net/weixin_41697507/article/details/89408236
https://blog.csdn.net/sparkexpert/article/details/81195418
https://github.com/yzhao062/Pyod#ramaswamy2000efficient
"""
# 创建一个带有异常值的随机数据集并绘制它
# generate random data with two features
X_train, Y_train = generate_data(n_train=200, train_only=True, n_features=2)
# by default the outlier fraction is 0.1 in generate data function
outlier_fraction = 0.1
# store outliers and inliers in different numpy arrays
x_outliers, x_inliers = get_outliers_inliers(X_train, Y_train)
n_inliers = len(x_inliers)
n_outliers = len(x_outliers)
# separate the two features and use it to plot the data
F1 = X_train[:, [0]].reshape(-1, 1)
F2 = X_train[:, [1]].reshape(-1, 1)
# create a meshgrid
xx, yy = np.meshgrid(np.linspace(-10, 10, 200), np.linspace(-10, 10, 200))
# scatter plot
plt.scatter(F1, F2)
plt.xlabel('F1')
plt.ylabel('F2')
plt.show()
"""
Model 1 Angle-based Outlier Detector (ABOD)
Model 2 Cluster-based Local Outlier Factor (CBLOF)
Model 3 Feature Bagging
Model 4 Histogram-base Outlier Detection (HBOS)
Model 5 Isolation Forest
Model 6 K Nearest Neighbors (KNN)
Model 7 Fast outlier detection using the local correlation integral(LOCI)
Model 8 Subspace Outlier Detection (SOD)
Model 9 Local Outlier Factor (LOF)
Model 10 Minimum Covariance Determinant (MCD)
Model 11 One-class SVM (OCSVM)
Model 12 Principal Component Analysis (PCA)
"""
# 创建一个dictionary并添加要用于检测异常值的所有模型
classifiers = {
'ABOD': ABOD(contamination=outlier_fraction),
'CBLOF': CBLOF(contamination=outlier_fraction),
# 'Feature Bagging': FeatureBagging(contamination=outlier_fraction),
'HBOS': HBOS(contamination=outlier_fraction),
'IForest': IForest(contamination=outlier_fraction),
'KNN': KNN(contamination=outlier_fraction),
# 'LOCI': LOCI(contamination=outlier_fraction, ),
# 'SOD': SOD(contamination=outlier_fraction, ),
'LOF': LOF(contamination=outlier_fraction, ),
'MCD': MCD(contamination=outlier_fraction, ),
'OCSVM': OCSVM(contamination=outlier_fraction, ),
'PCA': PCA(contamination=outlier_fraction, ),
}
# 将数据拟合到我们在dictionary中添加的每个模型，然后，查看每个模型如何检测异常值
# set the figure size
plt.figure(figsize=(10, 10))
for i, (clf_name, clf) in enumerate(classifiers.items()):
print()
print(i + 1, 'fitting', clf_name)
# fit the data and tag outliers
clf.fit(X_train)
scores_pred = clf.decision_function(X_train) * -1
y_pred = clf.predict(X_train)
threshold = stats.scoreatpercentile(scores_pred,
100 * outlier_fraction)
n_errors = (y_pred != Y_train).sum()
# plot the levels lines and the points
Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()]) * -1
Z = Z.reshape(xx.shape)
subplot = plt.subplot(3, 4, i + 1)
subplot.contourf(xx, yy, Z, levels=np.linspace(Z.min(), threshold, 7),
cmap=plt.cm.Blues_r)
a = subplot.contour(xx, yy, Z, levels=[threshold],
linewidths=2, colors='red')
subplot.contourf(xx, yy, Z, levels=[threshold, Z.max()],
colors='orange')
b = subplot.scatter(X_train[:-n_outliers, 0], X_train[:-n_outliers, 1], c='white',
s=20, edgecolor='k')
c = subplot.scatter(X_train[-n_outliers:, 0], X_train[-n_outliers:, 1], c='black',
s=20, edgecolor='k')
subplot.axis('tight')
subplot.legend(
[a.collections[0], b, c],
['learned decision function', 'true inliers', 'true outliers'],
prop=matplotlib.font_manager.FontProperties(size=10),
loc='lower right')
subplot.set_xlabel("%d. %s (errors: %d)" % (i + 1, clf_name, n_errors))
subplot.set_xlim((-7, 7))
subplot.set_ylim((-7, 7))
plt.show()
6.2 效果图
