彩笔运维勇闯机器学习--孤立森林

前言

孤立森林，一种非常高效快速的异常检测算法

开始探索

scikit-learn

import numpy as np
import matplotlib.pyplot as plt
from sklearn.ensemble import IsolationForest

rng = np.random.RandomState(0)

X_train = 0.3 * rng.randn(100, 2)
X_outliers = rng.uniform(low=-2, high=2, size=(10, 2))

clf = IsolationForest(n_estimators=100, max_samples='auto', contamination='auto', random_state=rng)
clf.fit(X_train)

y_pred_train = clf.predict(X_train)
y_pred_outliers = clf.predict(X_outliers)

plt.title("Isolation Forest")
plt.scatter(X_train[:, 0], X_train[:, 1], color='b', label="Normal")
plt.scatter(X_outliers[:, 0], X_outliers[:, 1], color='r', label="Outliers")

plt.legend()
plt.axis('tight')
plt.show()

脚本！启动：

深入理解

类似于随机森林，但每棵树不使用信息增益或基尼系数等指标，而是随机选择一个特征，在该特征的最小值和最大值之间随机选一个切分值，将数据集分成两部分，又在每个部分随机最大值与最小值之间随机选一个切分支，不断递归。指导到达指定深度或者当前节点只有1个样本

构造如此的树n棵，组成森林，开始计算每个样本在每棵树的平均路径长度（叶子节点的深度depth），计算异常分数

$$\{\begin{array}{l}c(n)=2H(n-1)-\frac{2(n-1)}{n}\\ H(n)={\sum }_{i=1}^n\frac{1}{i}\\ s(x,n)=2^{-\frac{E(x)}{c(n)}}\end{array}$$

• $s\approx 1$，强异常点，很容易被孤立
• $0.5\le s<1$，可能是异常点，越接近1越是异常点，需要配合其他参数来确定，比如异常点比例
• $s<0.5$，正常点

举例说明

假设有以下样本： [1, 1.5, 1.8, 2.0, 2.3, 10]

构造第一棵树：

1）第一层：depth=1，随机选择划分值：1 < split < 10 的区间中选择 split = 5

• 左子树：[1, 1.5, 1.8, 2.0, 2.3]
• 右子树：[10.0]

2）第二层：depth=2，随机选择划分值：1 < split < 2.3 的区间中选择 split = 1.6

• 左子树：[1, 1.5]
• 右子树：[1.8, 2.0, 2.3]

3）第三层：depth=3，左子树，随机选择划分值：1 < split < 1.5 的区间中选择 split = 1.2

• 左子树：[1]
• 右子树：[1.5]

4）第三层：depth=3，右子树，随机选择划分值：1.8 < split < 2.3 的区间中选择 split = 2.1

• 左子树：[1.8, 2.0]
• 右子树：[2.3]

5）第四层：depth=4，随机选择划分值：1.8 < split < 2.9 的区间中选择 split = 1.9

• 左子树：[1.8]
• 右子树：[2.9]

6）计算路径

样本值	路径长度
1.0	3
1.5	3
1.8	4
2.0	4
2.3	3
10.0	1

重复构造第n棵树，得出路径，计算路径平均值

样本值	第1棵树路径	第2棵树路径	第n棵树路径	平均路径
1.0	3	3	…	3
1.5	3	3	…	3
1.8	4	4	…	4
2.0	4	4	…	4
2.3	3	3	…	3
10.0	1	1	…	1

计算异常得分

$$s(x,n)=2^{-\frac{E(x)}{c(n)}}$$

1）计算样本（1.0）：

• 样本长度：$E(x)=3$
• 样本规模 $n=6$ 的平均路径期望：

$$\{\begin{array}{l}c(n)=2H(n-1)-\frac{2(n-1)}{n}\\ H(n)={\sum }_{i=1}^n\frac{1}{i}\end{array}$$

$$c(6)=2H(n-1)-\frac{2(n-1)}{n}=2\cdot (1+\frac{1}{2}+\frac{1}{3}+\frac{1}{4}+\frac{1}{5})-\frac{2(6-1)}{6}\approx 2.8999$$

$$s(1.0)=2^{-\frac{E(x)}{c(n)}}=2^{-\frac{3}{2.8999}}\approx 0.4882$$

2）计算所有样本

样本值	平均长度	异常得分
1.0	3	0.4882
1.5	3	0.4882
1.8	4	0.3844
2.0	4	0.3844
2.3	3	0.4882
10.0	1	0.7874

---

判断异常点：

• 路径长度越短的越异常，比如10.0的路径长度为1，在第一次分割的时候就被孤立了
• 异常分数越高就是异常点

sklearn中的异常分数

from sklearn.ensemble import IsolationForest
import numpy as np

X = np.array([[1], [1.5], [1.8], [2], [2.3], [10]])

clf = IsolationForest(random_state=0, contamination='auto')
clf.fit(X)

pred = clf.predict(X)
score = clf.decision_function(X)

for x, p, s in zip(X, pred, score):
    print(f"样本 {x[0]:>4} -> {'异常' if p==-1 else '正常'} | 异常分数（decision_function）: {s:.4f}")

脚本！启动：

问题出现了：

• sklearn的分数和手工计算的并不一样
• 为什么1.0被当成异常了
• 分数越小反而越异常

先看第一个问题，sklearn的分数和手工计算的并不一样。首先，每棵树是采用部分的样本来计算，而不是采用所有的样本n=6来计算的。其次，在上面的手工计算中，期望路径长度$c(n)$中的$H(n)$，并不是由这个公式计算的$$\{\begin{array}{l}c(n)=2H(n-1)-\frac{2(n-1)}{n}\\ H(n)={\sum }_{i=1}^n\frac{1}{i}\end{array}$$

这个公式一旦n的数量增大，$H(n)$的计算将会带来很大的计算消耗，通常使用另外一个公式计算近似值：$$H(n)\approx ln(n)+\gamma ，其中\gamma \approx 0.5772（欧拉常数）$$

以上两点原因，带来的就是sklearn计算异常分数与手工计算不一样

再看第二个问题，为什么1.0被当成异常了

只需要调整一个参数，contamination=0.1就可以解决这个问题了

contamination用来调节异常比例的参数，如果是auto，那么异常比例为33.3%，6个样本，那么异常点就是2个。手动调整为0.1，那就告诉模型只有1个异常点，那么最不正常的就是10.0了

最后第三个问题，分数越小反而越异常。这明显是计算方式不一样造成的，这里直接解析一下源码，版本：scikit-learn:1.6.1：

• decision_function函数

      def decision_function(self, X):
          return self.score_samples(X) - self.offset_
  

• score_samples函数返回的是：经过公式$s(x,n)=2^{-\frac{E(x)}{c(n)}}$计算的相反数

      def score_samples(self, X):
          ...
          return self._score_samples(X)
  
      def _score_samples(self, X):
          return -self._compute_chunked_score_samples(X)
  
      def _compute_chunked_score_samples(self, X):
          ...
  
          for sl in slices:
              # compute score on the slices of test samples:
              scores[sl] = self._compute_score_samples(X[sl], subsample_features)
  
          return scores
  
      def _compute_score_samples(self, X, subsample_features):
          ...
          scores = 2 ** (
              # For a single training sample, denominator and depth are 0.
              # Therefore, we set the score manually to 1.
              -np.divide(
                  depths, denominator, out=np.ones_like(depths), where=denominator != 0
              )
          )
          return scores
  

• self.offset_是根据整个样本异常分数，再加上异常比例参数contamination的中位数计算出来的

        self.offset_ = np.percentile(self._score_samples(X), 100.0 * self.contamination)
  
  

看到这里，我就想说，复杂就行了，经过这么复杂的计算，与手动计算出来的肯定不一样

小结

在sklearn中

• 找到孤立点，contamination是一个非常重要的参数，它决定了每个节点的分数以及后续确定是否异常
• 快速找到孤立点，直接通过pred函数即可，-1是孤立点，1是正常点
• 想要获取点的评分，通过decision_function函数获取评分，与理论公式不同，评分越低反而越异常

小结

• 联系我，做深入的交流
  

---

至此，本文结束
在下才疏学浅，有撒汤漏水的，请各位不吝赐教…