1、引言
在实际场景中，很多数据集都是多维度的。随着维度的增加，数据空间的大小（体积）会以指数级别增长，使数据变得稀疏，这便是维度诅咒的难题。维度诅咒不止给异常检测带来了挑战，对距离的计算，聚类都带来了难题。例如基于邻近度的方法是在所有维度使用距离函数来定义局部性，但是，在高维空间中，所有点对的距离几乎都是相等的（距离集中），这使得一些基于距离的方法失效。在高维场景下，一个常用的方法是子空间方法。
集成是子空间思想中常用的方法之一，可以有效提高数据挖掘算法精度。集成方法将多个算法或多个基检测器的输出结合起来。其基本思想是一些算法在某些子集上表现很好，一些算法在其他子集上表现很好，然后集成起来使得输出更加鲁棒。集成方法与基于子空间方法有着天然的相似性，子空间与不同的点集相关，而集成方法使用基检测器来探索不同维度的子集，将这些基学习器集合起来。
集成方式可以分为下面几类：
- 独立集成：这种集成方法的背景下，各个基检测器的训练都是相互完全独立的，然后将训练的结果进行各种合并处理，大部分现有的集成异常检测都属于这类；
- 顺序集成：和boosting的训练顺序类似，基学习器是一个一个训练的，但是和boosting存在梯度进行梯度下降优化的思路不同，顺序集成的异常检测检测思路：
- 使用一个基检测器检测出异常样本；
- 删除之后，剩余的数据集整体的异常程度下降；
- 使用另一个基检测器在剩余的数据上进行异常检测；
- 最终输出结果的形式：集成的最终执行结果或将各个基学习器的结果组合成一个统一的预测。
这两种集成方式都可以使用上述的两种集成基于模型与基于数据的集成方法进行集成，然而实际上顺序集成的相关研究比较少，主要是因为顺序集成一般需要标签进行训练的指导，若缺乏标签甚至没有标签实际上很难达到好的顺序集成的效果。
下面来介绍两种常见的集成方法：
2、Feature Bagging
Feature Bagging，基本思想与bagging相似，只是对象是feature。feature bagging属于集成方法的一种。众所周知，bagging这种有放回抽样的方法，容易导致一部分样本或特征始终无法被抽取到，当样本或特征的数量超过一百时，这种效应会比较明显，大概有30%多的样本或特征始终无法抽取到。若我们所有特征的信息都非常丰富的，显然这种采样方式会损失部分特征的信息。对于有监督问题，也存在这样的缺陷，信息丢失问题，因此使用bagging实际上需要处理偏差和方差之间的一种微妙的均衡。
集成方法的设计有以下两个主要步骤：
1.选择基检测器。这些基本检测器可以彼此完全不同，或不同的参数设置，或使用不同采样的子数据集。Feature bagging常用lof算法为基算法。下图是feature bagging的通用算法：
2.分数标准化和组合方法：不同检测器可能会在不同的尺度上产生分数。例如，平均k近邻检测器会输出原始距离分数，而LOF算法会输出归一化值。另外，尽管一般情况是输出较大的异常值分数，但有些检测器会输出较小的异常值分数。因此，需要将来自各种检测器的分数转换成可以有意义的组合的归一化值。分数标准化之后，还要选择一个组合函数将不同基本检测器的得分进行组合，最常见的选择包括平均和最大化组合函数。
下图是两个feature bagging两个不同的组合分数方法：
(广度优先)
（累积求和）
基探测器的设计及其组合方法都取决于特定集成方法的特定目标。很多时候，我们无法得知数据的原始分布，只能通过部分数据去学习。除此以外，算法本身也可能存在一定问题使得其无法学习到数据完整的信息。这些问题造成的误差通常分为偏差和方差两种。
方差：是指算法输出结果与算法输出期望之间的误差，描述模型的离散程度，数据波动性。
偏差：是指预测值与真实值之间的差距。即使在离群点检测问题中没有可用的基本真值
3、Isolation Forests
孤立森林（Isolation Forest）算法是周志华教授等人于2008年提出的异常检测算法，是机器学习中少见的专门针对异常检测设计的算法之一，方法因为该算法时间效率高，能有效处理高维数据和海量数据，无须标注样本，在工业界应用广泛。
孤立森林属于非参数和无监督的算法，既不需要定义数学模型也不需要训练数据有标签。孤立森林查找孤立点的策略非常高效。假设我们用一个随机超平面来切割数据空间，切一次可以生成两个子空间。然后我们继续用随机超平面来切割每个子空间并循环，直到每个子空间只有一个数据点为止。直观上来讲，那些具有高密度的簇需要被切很多次才会将其分离，而那些低密度的点很快就被单独分配到一个子空间了。孤立森林认为这些很快被孤立的点就是异常点。
孤立数是孤立数据点所需的拆分数。通过下面步骤确定此分割数：
- 随机选择要分离的点"a"；
- 选择在最小值和最大值之间的随机数据点"b"，且与"a"不同；
- 若"b"的值低于"a"的值，则"b"的值变为新的下限；
- 若"b"的值大于"a"的值，则"b"的值变为新的上限；
- 只要在上限和下限之间存在除"a"之外的数据点，就重复该过程。
与孤立非异常值相比，它需要更少的分裂来孤立异常值，即异常值与非异常点相比具有更低的孤立数。因此，若数据点的孤立数低于阈值，则将数据点定义为异常值。
用四个样本做简单直观的理解，d是最早被孤立出来的，所以d最有可能是异常。
怎么来切这个数据空间是孤立森林的核心思想。因为切割是随机的，为了结果的可靠性，要用集成（ensemble）的方法来得到一个收敛值，即反复从头开始切，平均每次切的结果。孤立森林由t棵孤立的数组成，每棵树都是一个随机二叉树，也就是说对于树中的每个节点，要么有两个孩子节点，要么一个孩子节点都没有。树的构造方法和随机森林(random forests)中树的构造方法有些类似。流程如下：
-
从训练数据中随机选择一个样本子集，放入树的根节点； -
随机指定一个属性，随机产生一个切割点V，即属性A的最大值和最小值之间的某个数； -
根据属性A对每个样本分类，把A小于V的样本放在当前节点的左孩子中，大于等于V的样本放在右孩子中，这样就形成了2个子空间； -
在孩子节点中递归步骤2和3，不断地构造左孩子和右孩子，直到孩子节点中只有一个数据，或树的高度达到了限定高度。
获得t棵树之后，孤立森林的训练就结束，就可以用生成的孤立森林来评估测试数据。
孤立森林检测异常的假设是：异常点一般都是非常稀有的，在树中会很快被划分到叶子节点，因此可以用叶子节点到根节点的路径长度来判断一条记录是否是异常的。和随机森林类似，孤立森林也是采用构造好的所有树的平均结果形成最终结果的。在训练时，每棵树的训练样本是随机抽样的。从孤立森林的树的构造过程看，它不需要知道样本的标签，而是通过阈值来判断样本是否异常。因为异常点的路径比较短，正常点的路径比较长，孤立森林根据路径长度来估计每个样本点的异常程度。
路径长度计算方法：
孤立森林也是一种基于子空间的方法，不同的分支对应于数据的不同局部子空间区域，较小的路径对应于孤立子空间的低维
4、总结
1.feature bagging可以降低方差
2.孤立森林的优势在于：
- 计算成本相比基于距离或基于密度的算法更小。
- 具有线性的时间复杂度。
- 在处理大数据集上有优势。
孤立森林不适用于超高维数据，因为鼓励森林每次都是随机选取维度，如果维度过高，则会存在过多噪音。
5、练习
1.思考题：feature bagging为什么可以降低方差？
bagging产生的子空间没有一个是和原始特征分布空间相同甚至接近，但仅仅通过简单平均，子空间就可以平均到原始特征空间的附近，且平均的子空间相对于其他子空间和原始空间的差异性大大缩小。
2.思考题：feature bagging存在哪些缺陷，有什么可以优化的idea？
在高维或者大量数据的情况下，bagging不可避免的会损失一部分样本或特征始终无法被采样，也无法被模型训练到。bagging的比例始终建议在0.5~0.99之间，特别是存在过多的相关性特征的情况下，bagging容易不停地采样相关性很高的特征。
当需要引入bagging的时候，无论是异常检测集成还是随机森林或xgb,lgb,cab的列采样前，都需经过严格的相关性分析。针对于相关性对bagging的影响问题，后来衍生出rotated bagging，对数据进行采样后使用主成分分析等方式进行rotate，然后训练子模型…显然每一轮基学习器的训练时间都要加上降维算法的运行时间。
参考资料
[1] https://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/icdm08b.pdf
[2]《Outlier Analysis》——Charu C. Aggarwal
[3] https://zhuanlan.zhihu.com/p/103619964
[4] https://www.zhihu.com/question/280696035
关于Datawhale：
Datawhale是一个专注于数据科学与AI领域的开源组织，汇集了众多领域院校和知名企业的优秀学习者，聚合了一群有开源精神和探索精神的团队成员。Datawhale以“for the learner，和学习者一起成长”为愿景，鼓励真实地展现自我、开放包容、互信互助、敢于试错和勇于担当。同时Datawhale 用开源的理念去探索开源内容、开源学习和开源方案，赋能人才培养，助力人才成长，建立起人与人，人与知识，人与企业和人与未来的联结。
扫一扫
2879
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
