无监督学习之异常值检测算法～Isolation Forest

在数据分析领域，指标的突然上涨或者下降 是一个异常行为 ，这两种情况都值得我们去关注。如果我们标注了这些异常点，可以使用监督学习去检测异常点。但是业务开始的时候，没有业务反馈（数据打标）的时候，我们很难去发现这些异常点，也就是说需要训练样本。这样我们可以选择无监督学习的方法，比如Isolation Forest,One class SVM and LSTM。本文主要说明了Isolation Forest的使用方法，算法说明：

• https://zhuanlan.zhihu.com/p/27777266（算法原理主要看这个文档）
• https://towardsdatascience.com/anomaly-detection-with-isolation-forest-visualization-23cd75c281e2 （算法使用主要看这个文档）
• https://www.cnblogs.com/wj-1314/p/10461816.html  大神之作

 

 

结论：我们可以通过dasaa或者pai直接落地，算法相对简单。

 

我理解这个算法的本质是：构建使用多个树，去查找所有值的深度，深度相对较浅的点，大概率是是异常点。这个如果和 四象限分析方 结合起来，是一个比较有意思的创新。