1、异常值集成方法：原理、应用与分类

异常值集成方法：原理、应用与分类

1 引言

异常值分析问题受到了数据库、数据挖掘、机器学习和统计学界的广泛关注。近年来，针对该问题提出了众多算法。然而，异常值检测的建模过程往往具有主观性，不同算法基于不同的假设，可能导致结果差异较大。而且，许多模型对参数选择极为敏感，加上缺乏真实标签，使得异常值检测算法的评估和参数调优变得困难。

集成分析是数据挖掘中常用的方法，用于减少模型对特定数据集或数据局部性的依赖，提高数据挖掘过程的鲁棒性。该技术在聚类和分类等问题中应用广泛，常见的集成方法如下：
- 聚类方面 ：替代聚类、多视图聚类和聚类集成是与集成分析密切相关的子主题。其核心思想是聚类过程具有主观性，单一聚类可能无法全面反映数据的聚类情况，因此需要探索不同的聚类并组合结果。例如，极端随机聚类森林（ERC - Forest）与隔离森林这种异常值集成方法密切相关。
- 分类方面 ：提出了多种基于集成的方法，如装袋（Bagging）、提升（Boosting）、堆叠（Stacking）、随机森林（Random Forests）、模型平均（Model Averaging）和模型桶（Bucket of Models）等。在噪声和流式场景中，集成分析尤为重要，因为单个分类器的结果可能不够稳健。

2 异常值分析中集成方法的动机

尽管现有许多异常值分析的集成方法具有很大潜力，但在该领域的成功尚未得到广泛认可。这主要是因为异常值分析的评估较为困难，缺乏明确的评估标准。

2.1 评估困难的原因

• 小样本空间