机器学习基础（十）—异常检测

异常数据检查

• 假设我们已经收集到了一些数据集,并希望利用这些数据形成一个模型P，当我们输入测试样本x_test，这个模型能够帮我们判断这个样本是否为异常数据（数据分布如下图所示）。
  

1 参数估计

• 概念：给定不带标签的数据集，来近似的估计出正态分布的期望值与方差。

• 期望：每个特征的期望可以通过求每个特征的均值来获得。

• 方差：通过样本与期望之差的平方除以样本总数来估计方差。
  （注：这同时也称为μ与σ的极大似然估计）
  

2 异常检测程序

1. 选择能够表现出异常样本的特征
2. 利用参数估计，计算出期望和方差
3. 然后给定一个新样本，来计算样本的密度
4. 看密度是否小于阀值来判断该样本是否为异常值
   

• 假设我们有一些样本，每个样本具有两个特征值x_1,x_2。从下方的三维图中可以比较直观的看出，粉色圈之外的P都是密度比较低的，也就是说这些点出现的概率是比较小的。那么当出现这些点时，就要注意这是否为异常值了。
  

3 异常检测分组

1. 假设我们有10000个正常的样本，20个异常样本。将这些样本分为训练集（6000个好样本），交叉验证集（2000个好样本，10个异常样本）和测试集（2000个好样本，10个异常样本）。
2. 然后使用训练集计算出一个模型。接着用交叉验证集和测试集来测试y=0/1的数量。
3. 最后利用准确性和召回来计算F值。（注：通过使用不同的阀值来获取最大的F值）

4 何时用异常检测和监督学习？

• 异常检测：当我们的正样本数量很少时，我们很难让我们的算法从正样本当中学习到一定的规律，并且异常出现的情况可能也有很大的不同。

• 监督学习：我们有足够多的正样本，因此我们的算法能够从这些样本中学习到一定的规律，从而进行预测。

5 误差分析思想

• 首先检验异常样本，观察异常样本当中是否存在某些规律，然后重新创建一个新的特征值。

比如说我的四个特征值当中，经常出现CPU很高，但是网络流量比较低，那么这个时候就可以创建一个新的特征值用（CPU²）或（CPU）/网络流量。

6 多变量异常检测

• 多元高斯分布密度公式
  

• Σ的第一行第一列是x1的方差，第二行第二列是x2的方差。当方差变小是，坡度就会变陡，当方差变大时，坡度就会变大，如下图所示。
  

• 测试相关性

如果改变协方差，就会得到不同的高斯分布，下图可看到，x与y时一起增加的。

如果将协方差变为负数，还会出现同样趋势的话，那么这个时候我们就可以看出，x1与x2是呈现除负相关的。

7 代码实战：

1. 读取数据

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import os
from scipy.io import loadmat
os.chdir('E:/Data/Ng/Coursera-ML-AndrewNg-Notes-master/code/ex8-anomaly detection and recommendation/data/')
data = loadmat('ex8data1.mat')
data

数据如下：

2. 查看分布

X = data['X']
fig,ax = plt.subplots(figsize=(12,8))
ax.scatter(X[:,0],X[:,1],s=50)
plt.show()

分布情况如下：

3. 参数估计每个特征值的期望和方差，并利用参数拟合模型，计算训练集每个数据的概率密度函数

from scipy import stats
def compute(X):
    """计算期望值与方差
    Params:
        X:训练集数据
    return:
        X1_mean,X1_sigma,X2_mean,X2_sigma"""
    m = X.shape[0]
    X1 = X[:,0]
    X2 = X[:,1]
    X1_mean = X1.mean()
    X2_mean = X2.mean()
    X1_sigma = np.power(X1-X1_mean,2).mean()
    X2_sigma = np.power(X2-X2_mean,2).mean()
    return X1_mean,X1_sigma,X2_mean,X2_sigma


if __name__ == '__main__':
	X1_mean,X1_sigma,X2_mean,X2_sigma=compute(X)
	p = np.zeros((X.shape[0],X.shape[1]))
	p[:,0] = stats.norm(X1_mean,X1_sigma).pdf(X[:,0])
	p[:,1] = stats.norm(X2_mean,X2_sigma).pdf(X[:,1])
	p.shape

结果如下：

4. 利用训练好的模型计算交叉训练集每个样本的概率密度

def val_pd(Xval,X1_mean,X1_sigma,X2_mean,X2_sigma):
    """利用训练好的模型来计算交叉验证集的概率密度
    Param:
        Xval:交叉验证集数据"""
    p_val = np.zeros((Xval.shape[0],Xval.shape[1]))
    p_val[:,0] = stats.norm(X1_mean,X1_sigma).pdf(Xval[:,0])
    p_val[:,1] = stats.norm(X2_mean,X2_sigma).pdf(Xval[:,1])
    return p_val

if __name__ == '__main__':
    Xval = data['Xval']
    yval = data['yval']
    p_val = val_pd(Xval,X1_mean,X1_sigma,X2_mean,X2_sigma)
    p_val.shape

结果如下：

5. 寻找合适的阀值
   

def select_threshold(p_val,yval):
    """选择最优阀值
    Params:
        p_val:运用训练好的模型计算出来的交叉集的概率密度
        yval:交叉集数据对应的真实标签
    return:
        best_threshod:最终阀值
        best_f1:最好的f值"""
    best_threshod = 0 
    best_f1 = 0
    f1 = 0
    step = (p_val.max()-p_val.min())/1000
    for epsilon in np.arange(p_val.min(),p_val.max(),step):
        preds = p_val < epsilon
        # np.logical_and(x1==1,x2==2) 检查两个narray在对应位置上的数据是否一致，默认返回bool型
        tp = np.sum(np.logical_and(preds==1,yval==1)).astype(float)
        fp = np.sum(np.logical_and(preds==1,yval==0)).astype(float)
        fn = np.sum(np.logical_and(preds==0,yval==1)).astype(float)
        
        prec = tp/(tp+fp)
        rec = tp/(tp+fn)
        f1 = (2*prec*rec)/(prec+rec)
        if f1>best_f1:
            best_f1 = f1
            best_threshod = epsilon
    return best_threshod,best_f1

if __name__ == "__main__":
    best_threshod,best_f1 = select_threshold(p_val,yval)
    best_threshod,best_f1

6. 绘制出训练集当中的异常点

outliners = np.where(p<best_threshod)
outliners
fig,ax = plt.subplots(figsize=(12,8))
ax.scatter(X[:,0],X[:,1])
ax.scatter(X[outliners[0],0],X[outliners[0],1],color='red')
plt.show()

结果如下：

参考资料：

1. Ng机器学习
2. 黄博笔记