异常检测之基于相似度方法

感谢datawhale大部队！

一、概述

基于相似度判断异常也是异常检测中常用方法，其主要思想是异常点和正常点之间存在不同。

又可主要细分为：

1. - 基于距离度量相似度来判断

   基于距离的异常检测有这样一个前提假设，即异常点的近邻距离要远大于正常点。
   a.基于索引的算法
   b.嵌套循环算法
   c.基于单元的方法

2. - 基于密度度量相似度来判断

基于密度的算法主要有局部离群因子(LocalOutlierFactor,LOF)，以及LOCI、CLOF等基于LOF的改进算法。

LOF（Local Outlier Factor）:
又称局部异常因子算法，PYOD中的LOF是对 sk-learn中LOF 类的封装。
该算法主要思想是：通过计算一个数值 score 来反映一个样本的异常程度。
具体实现方式：求 一个样本点周围的样本点所处位置的平均密度 与 该样本点所在位置的密度 的比值。这个比值比 1 越大，表示该点所在位置的密度比其周围样本所在位置的密度越小，这个点就越有可能是异常点。

二、实现（基于PYOD库LOF算法进行异常检测）

代码部分：

from pyod.<