异常值检测-值域法 头歌代码解释

这关做得不是很明白，如果有清楚的同志可以在评论区里面讨论

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.neighbors import LocalOutlierFactor
# 导入数据
abc = pd.read_csv('deaths.csv')
## 只分析其中的Population和Lat两个变量
abc = abc[["Population","Lat"]]

###begin###

# 使用LocalOutlierFactor对数据集进行异常检测
lof = LocalOutlierFactor(n_neighbors=10)  # 设置参数，n_neighbors表示邻居数量，contamination为异常值比例估计
# 计算样本的LOF得分（-1表示异常点）
abc_scores = lof.fit_predict(abc)

# 获取异常值索引
outliers_index = np.where(abc_scores == -1)[0]
print("检测出的异常值数量为:",len(outliers_index))

###end####

这一关中背景知识没有提很多函数的使用，需要大家在网上查找相应函数的用法。

LocalOutlierFactor（）的参数使用

LocalOutlierFactor 是 scikit-learn 库中的一个用于局部离群值检测（LOF，Local Outlier Factor）的类。它通过比较数据点与其邻居的数据密度来识别潜在的异常点。以下是 LocalOutlierFactor 类的一些关键参数及其使用解释：

1. n_neighbors (默认=20)：

   这个参数指定了计算 LOF 分数时要考虑的邻居数量（k近邻）。更多的邻居可能会提供更稳定的结果，但计算成本也会更高。选择合适的 k 值对于算法的表现至关重要。

2. contamination (默认="auto")：

   它表示数据集中被认为是离群点的比例估计。如果设置为 "auto"，算法会尝试自动确定异常点比例；若给定一个浮点数（例如 0.1 表示 10% 的样本是离群点），则按照这个比例计算阈值。

3. algorithm (默认="auto"):

   指定搜索最近邻的算法，可以是 "auto", "ball_tree", "kd_tree", "brute" 或 "metric"。根据输入数据和可用内存情况，scikit-learn会选择最佳实现。

4. leaf_size (默认=30):

   当使用树型结构（如 BallTree 或 KDTree）时，这是构建树时的叶节点大小。较小的 leaf_size 可以提高精度，但会增加内存消耗和计算时间。

5. metric (默认="minkowski"):

   距离度量方法。它可以是一个字符串指定内置的距离度量，也可以是一个可调用对象，该对象接受两个向量并返回它们之间的距离。

6. p (默认=2):

   如果 metric 设置为 "minkowski"，则 p 参数用于定义 Minkowski 距离的幂指数。当 p=2 时，Minkowski 距离就是欧氏距离；当 p=1 时，它是曼哈顿距离。

7. ** novelty** (默认=False):

   是否启用新颖性检测模式。如果设置为 True，则在训练后可以对新样本进行离群值检测。

8. metric_params (default=None):

   传递给所选距离度量函数的额外关键字参数字典。

这是我在网上通过chat找到的一些解答。说实话看不出来 n_neighbors要设置为10，设置为20的时候答案是26。如果知道的同志，欢迎在评论区中讨论交流。

除以上方法外还可以采用print，输出答案。（没有办法的办法）