異常檢測可以作為異常值分析的一項統計任務來處理。但是如果我們開發一個機器學習模型,它可以像往常一樣自動化,可以節省很多時間。
異常檢測有很多用例。信用卡欺詐檢測、故障機器檢測或基于異常特征的硬體系統檢測、基于醫療記錄的疾病檢測都是很好的例子。還有更多的用例。異常檢測的應用隻會越來越多。
在本文中,我将解釋在Python中從頭開始開發異常檢測算法的過程。
公式和過程
與我之前解釋過的其他機器學習算法相比,這要簡單得多。該算法将使用均值和方差來計算每個訓練資料的機率。
如果一個訓練執行個體的機率很高,這是正常的。如果某個訓練執行個體的機率很低,那就是一個異常的例子。對于不同的訓練集,高機率和低機率的定義是不同的。我們以後再讨論。
如果我要解釋異常檢測的工作過程,這很簡單。
- 使用以下公式計算平均值:
這裡m是資料集的長度或訓練資料的數量,而xix^ixi是一個單獨的訓練例子。如果你有多個訓練特征,大多數情況下都需要計算每個特征能的平均值。
- 使用以下公式計算方差:
這裡,mu是上一步計算的平均值。
- 現在,用這個機率公式計算每個訓練例子的機率。
不要被這個公式中的求和符号弄糊塗了!這實際上是Sigma代表方差。
如果大家在學習中遇到困難,想找一個python學習交流環境,可以加入我們的python圈,裙号930900780,可領取python學習資料,會節約很多時間,減少很多遇到的難題。
稍後我們将實作該算法時,你将看到它的樣子。
- 我們現在需要找到機率的臨界值。正如我前面提到的,如果一個訓練例子的機率很低,那就是一個異常的例子。
低機率有多大?
這沒有普遍的限制。我們需要為我們的訓練資料集找出這個。
我們從步驟3中得到的輸出中擷取一系列機率值。對于每個機率,通過門檻值的設定得到資料是否異常
然後計算一系列機率的精确度、召回率和f1分數。
精度可使用以下公式計算
召回率的計算公式如下:
在這裡,True positives(真正例)是指算法檢測到一個異常的例子的數量,而它真實情況也是一個異常。
False Positives(假正例)當算法檢測到一個異常的例子,但在實際情況中,它不是異常的,就會出現誤報。
False Negative(假反例)是指算法檢測到的一個例子不是異常的,但實際上它是一個異常的例子。
從上面的公式你可以看出,更高的精确度和更高的召回率總是好的,因為這意味着我們有更多的真正的正例。但同時,假正例和假反例起着至關重要的作用,正如你在公式中看到的那樣。這需要一個平衡點。根據你的行業,你需要決定哪一個對你來說是可以忍受的。
一個好辦法是取平均數。計算平均值有一個獨特的公式。這就是f1分數。f1得分公式為:
這裡,P和R分别表示精确性和召回率。
我不想詳細說明為什麼這個公式如此獨特。因為這篇文章是關于異常檢測的。
根據f1分數,你需要選擇你的門檻值機率。
異常檢測算法
我将使用Andrew Ng的機器學習課程的資料集,它具有兩個訓練特征。我沒有在本文中使用真實的資料集,因為這個資料集非常适合學習。它隻有兩個特征。在任何真實的資料集中,都不可能隻有兩個特征。
有兩個特性的好處是可以可視化資料,這對學習者非常有用。請随意從該連結下載下傳資料集,然後繼續:
github.com/rashida048/…
首先,導入必要的包
import pandas as pd
import numpy as np
複制代碼
導入資料集。這是一個excel資料集。在這裡,訓練資料和交叉驗證資料存儲在單獨的表中。是以,讓我們把訓練資料帶來。
df = pd.read_excel('ex8data1.xlsx', sheet_name='X', header=None)
df.head()
複制代碼
讓我們将第0列與第1列進行比較。
plt.figure()
plt.scatter(df[0], df[1])
plt.show()
複制代碼
你可能通過看這張圖知道哪些資料是異常的。
檢查此資料集中有多少個訓練示例:
m = len(df)
複制代碼
計算每個特征的平均值。這裡我們隻有兩個特征:0和1。
s = np.sum(df, axis=0)
mu = s/m
mu
複制代碼
輸出:
0 14.112226
1 14.997711
dtype: float64
複制代碼
根據上面“公式和過程”部分中描述的公式,讓我們計算方差:
vr = np.sum((df - mu)**2, axis=0)
variance = vr/m
variance
複制代碼
輸出:
0 1.832631
1 1.709745
dtype: float64
複制代碼
現在把它做成對角線形狀。正如我在機率公式後面的“公式和過程”一節中所解釋的,求和符号實際上是方差
var_dia = np.diag(variance)
var_dia
複制代碼
輸出:
array([[1.83263141, 0. ],
[0. , 1.70974533]])
複制代碼
計算機率:
k = len(mu)
X = df - mu
p = 1/((2*np.pi)**(k/2)*(np.linalg.det(var_dia)**0.5))* np.exp(-0.5* np.sum(X @ np.linalg.pinv(var_dia) * X,axis=1))
p
複制代碼
訓練部分已經完成。
下一步是找出門檻值機率。如果機率低于門檻值機率,則示例資料為異常資料。但我們需要為我們的特殊情況找出那個門檻值。
對于這一步,我們使用交叉驗證資料和标簽。
對于你的案例,你隻需保留一部分原始資料以進行交叉驗證。
現在導入交叉驗證資料和标簽:
cvx = pd.read_excel('ex8data1.xlsx', sheet_name='Xval', header=None)
cvx.head()
複制代碼
标簽如下:
cvy = pd.read_excel('ex8data1.xlsx', sheet_name='y', header=None)
cvy.head()
複制代碼
我将把'cvy'轉換成NumPy數組,因為我喜歡使用數組。不過,資料幀也不錯。
y = np.array(cvy)
複制代碼
輸出:
# 數組的一部分
array([[0],
[0],
[0],
[0],
[0],
[0],
[0],
[0],
[0],
複制代碼
這裡,y值0表示這是一個正常的例子,y值1表示這是一個異常的例子。
現在,如何選擇一個門檻值?
我不想隻檢查機率表中的所有機率。這可能是不必要的。讓我們再檢查一下機率值。
p.describe()
複制代碼
輸出:
count 3.070000e+02
mean 5.905331e-02
std 2.324461e-02
min 1.181209e-23
25% 4.361075e-02
50% 6.510144e-02
75% 7.849532e-02
max 8.986095e-02
dtype: float64
複制代碼
如圖所示,我們沒有太多異常資料。是以,如果我們從75%的值開始,這應該是好的。但為了安全起見,我會從平均值開始。
是以,我們将從平均值和更低的機率範圍。我們将檢查這個範圍内每個機率的f1分數。
首先,定義一個函數來計算真正例、假正例和假反例:
def tpfpfn(ep):
tp, fp, fn = 0, 0, 0
for i in range(len(y)):
if p[i] <= ep and y[i][0] == 1:
tp += 1
elif p[i] <= ep and y[i][0] == 0:
fp += 1
elif p[i] > ep and y[i][0] == 1:
fn += 1
return tp, fp, fn
複制代碼
列出低于或等于平均機率的機率。
eps = [i for i in p if i <= p.mean()]
複制代碼
檢查一下清單的長度
len(eps)
複制代碼
輸出:
133
複制代碼
根據前面讨論的公式定義一個計算f1分數的函數:
def f1(ep):
tp, fp, fn = tpfpfn(ep)
prec = tp/(tp + fp)
rec = tp/(tp + fn)
f1 = 2*prec*rec/(prec + rec)
return f1
複制代碼
所有函數都準備好了!
現在計算所有epsilon或我們之前選擇的機率值範圍的f1分數。
f = []
for i in eps:
f.append(f1(i))
f
複制代碼
輸出:
[0.14285714285714285,
0.14035087719298248,
0.1927710843373494,
0.1568627450980392,
0.208955223880597,
0.41379310344827586,
0.15517241379310345,
0.28571428571428575,
0.19444444444444445,
0.5217391304347826,
0.19718309859154928,
0.19753086419753085,
0.29268292682926833,
0.14545454545454545,
複制代碼
這是f分數表的一部分。長度應該是133。
f分數通常在0到1之間,其中f1得分越高越好。是以,我們需要從剛才計算的f分數清單中取f的最高分數。
現在,使用“argmax”函數來确定f分數值最大值的索引。
np.array(f).argmax()
複制代碼
輸出:
131
複制代碼
現在用這個索引來得到門檻值機率。
e = eps[131]
e
複制代碼
輸出:
6.107184445968581e-05
複制代碼
找出異常執行個體
我們有臨界機率。我們可以從中找出我們訓練資料的标簽。
如果機率值小于或等于該門檻值,則資料為異常資料,否則為正常資料。我們将正常資料和異常資料分别表示為0和1,
label = []
for i in range(len(df)):
if p[i] <= e:
label.append(1)
else:
label.append(0)
label
複制代碼
輸出:
[0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
複制代碼
這是标簽清單的一部分。
我将在上面的訓練資料集中添加此計算标簽:
df['label'] = np.array(label)
df.head()
複制代碼
我在标簽為1的地方用紅色繪制資料,在标簽為0的地方用黑色繪制。以下是結果。
有道理嗎?
是的,對吧?紅色的資料明顯異常。
結論
我試圖一步一步地解釋開發異常檢測算法的過程,我希望這是可以了解的。如果你僅僅通過閱讀就無法了解,我建議你運作每一段代碼。那就很清楚了。
最後多說一句,想學習Python可聯系小編,這裡有我自己整理的整套python學習資料和路線,想要這些資料的都可以進q裙930900780領取。
本文章素材來源于網絡,如有侵權請聯系删除。