在envi做随机森林_异常检测怎么做，试试孤立随机森林算法（附代码）

异常检测看似是机器学习中一个有些难度的问题，但采用合适的算法也可以很好解决。本文介绍了孤立森林（isolation forest）算法，通过介绍原理和代码教你揪出数据集中的那些异常值。

选自blog.paperspace，作者：Dhiraj K，机器之心编译，参与：李诗萌、一鸣。

从银行欺诈到预防性的机器维护，异常检测是机器学习中非常有效且普遍的应用。在该任务中，孤立森林算法是简单而有效的选择。

本文内容包括：

• 介绍异常检测；
• 异常检测的用例；
• 孤立森林是什么；
• 用孤立森林进行异常检测；
• 用 Python 实现。

异常检测简介

离群值是在给定数据集中，与其他数据点显著不同的数据点。

异常检测是找出数据中离群值（和大多数数据点显著不同的数据点）的过程。

真实世界中的大型数据集的模式可能非常复杂，很难通过查看数据就发现其模式。这就是为什么异常检测的研究是机器学习中极其重要的应用。

本文要用孤立森林实现异常检测。我们有一个简单的工资数据集，其中一些工资是异常的。目标是要找到这些异常值。可以想象成，公司中的一些雇员挣了一大笔不同寻常的巨额收入，这可能意味着存在不道德的行为。

在继续实现之前，先讨论一些异常检测的用例。

异常检测用例

异常检测在业界中应用广泛。下面介绍一场常见的用例：

银行：发现不正常的高额存款。每个账户持有人通常都有固定的存款模式。如果这个模式出现了异常值，那么银行就要检测并分析这种异常（比如洗钱）。

金融：发现欺诈性购买的模式。每个人通常都有固定的购买模式。如果这种模式出现了异常值，银行需要检测出这种异常，从而分析其潜在的欺诈行为。

卫生保健：检测欺诈性保险的索赔和付款。

制造业：可以监测机器的异常行为，从