datawhale-异常检测打卡之Task 1:异常检测介绍

1. 异常检测是什么

异常检测（Outlier Detection），就是识别出来与正常或者说大多数数据差异较大的数据。
如识别信用卡欺诈，工业生产异常，网络流里的异常等。

• 点异常（离群）
  指的是少数个体是异常的，大多数是正常的，例如正常人与病人的健康指标
• 上下文异常（特殊场景离群）
  指的是在特定情境下个体是异常的，在其他情境下都是正常的，例如在特定时间下的温度突然上升或下降
• 群体异常（一堆坏人里的好人）
  指的是在群体集合中的个体实例出现异常的情况，而该个体自身可能并不是异常
  例如社交网络中虚假账号形成的集合作为群体异常子集，但子集中的个体节点可能与真实账号一样正常。

异常检测场景主要有：

• 故障检测
• 物联网异常检测
• 欺诈检测
• 工业异常检测
• 时间序列异常检测
• 视频异常检测
• 日志异常检测
• 医疗日常检测
• 网络入侵检测

2.怎么进行异常检测

2.1传统方法

统计学

基于统计学的方法一般是假定正常的数据对象由一个统计模型产生，而不遵守该模型的数据是异常点。

线性模型

典型的如PCA方法，即主成分分析。它的应用场景是对数据集进行降维。
降维后的数据能够最大程度地保留原始数据的特征（以数据协方差为衡量标准）。

pca如何进行异常检测？？？

基于相似度的方法

这类算法适用于数据点的聚集程度高、离群点较少的情况，不太适用于数据量大、维度高的数据（因为相似度算法通常需要对每一个数据分别进行相应计算，所以这类算法通常计算量大）

• 1.基于集群（簇）的检测
  如DBSCAN等聚类算法
  聚类的主要目的通常是为了寻找成簇的数据，而将异常值和噪声一同作为无价值的数据而忽略或丢弃，在专门的异常点检测中使用较少。
• 2.基于距离的度量
  如k近邻算法
  k近邻算法的基本思路是对每一个点，计算其与最近k个相邻点的距离，通过距离的大小来判断它是否为离群点。
• 3.基于密度的度量
  局部离群因子（LOF）算法与k近邻类似，不同的是它以相对于其邻居的局部密度偏差而不是距离来进行度量。它将相邻点之间的距离进一步转化为“邻域”，从而得到邻域中点的数量（即密度），认为密度远低于其邻居的样本为异常值。

2.2集成方法

集成是提高数据挖掘算法精度的常用方法。集成方法将多个算法或多个基检测器的输出结合起来。其基
本思想是一些算法在某些子集上表现很好，一些算法在其他子集上表现很好，然后集成起来使得输出更
加鲁棒。
常用的集成方法有Feature bagging，孤立森林等。

2.3机器学习

在有标签的情况下，可以使用树模型（gbdt,xgboost等）进行分类，缺点是异常检测场景下数据标签是
不均衡的，但是利用机器学习算法的好处是可以构造不同特征。

3.异常检测常用开源库

• Scikit-learn
  一个Python语言的开源机器学习库。它具有各种分类，回归和聚类算法。也包含了一些
  异常检测算法，例如LOF和孤立森林。

官网：https://scikit-learn.org/stable/

• PyOD

Python Outlier Detection（PyOD）是当下最流行的Python异常检测工具库，其主要亮点包括：

• 包括近20种常见的异常检测算法，比如经典的LOF/LOCI/ABOD以及最新的深度学习如对抗生
  成模型（GAN）和集成异常检测（outlier ensemble）
• 支持不同版本的Python：包括2.7和3.5+；支持多种操作系统：windows，macOS和Linux
• 简单易用且一致的API，只需要几行代码就可以完成异常检测，方便评估大量算法
• 使用JIT和并行化（parallelization）进行优化，加速算法运行及扩展性（scalability），可以
  处理大量数据
  ——https://zhuanlan.zhihu.com/p/5831352

4.练习

• 学习pyod库基本操作
  （如何生成toy example，了解训练以及预测的api）

可以看到输入的x是二维，输出的y是一维