sklearn实现 孤立森林_异常检测 | 使用孤立森林 sklearn.ensemble.IsolationForest 分析异常流量...

孤立森林

Isolation Forest(sklearn.ensemble.IsolationForest)：一种适用于 连续数据的 无监督异常检测方法。与随机森林类似，都是高效的集成算法，相较于LOF，K-means等传统算法，该算法鲁棒性高且对数据集的分布无假设。

Isolation Forest算法做非监督式的异常点检测分析，对数据特征的要求宽松：

该算法对特征的要求低，不需要做离散化，不需要数值标准化

不需要考虑特征间的关系(例如共线性)等，不需要额外做特征过滤和筛选

附：SKlearn 中其他用于异常检测的方法

one-class SVM(svm.OneClassSVM)

LocalOutlierFactor(sklearn.neighbors.LocalOutlierFactor)

EllipticEnvelope(covariance.EllipticEnvelope)

本案例中

需求：分析一下通过不同渠道来到网站的访客里面是否有异常流量

数据特点：(综合数据特点，选择Isolation Forest算法做非监督式的异常点检测分析)

数据是不带标记的数据，只能用无监督式分析方法

特征维度较高，有的特征是分类型变量，有的特征是数值型变量

代码示例

1 数据预处理

1.1 填充缺失值、去除无关项(如 用户id，可能影响结果)

【此处，处理好的数据集是df 】

不是主要代码，略

1.2