作者|Rashida Nasrin Sucky
編譯|VK
來源|Towards Datas Science
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、故障機器檢測或基於異常特征的硬件系統檢測、基於醫療記錄的疾病檢測都是很好的例子。還有更多的用例。異常檢測的應用只會越來越多。
在本文中，我將解釋在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。該算法將使用均值和方差來計算每個訓練數據的概率。
如果一個訓練實例的概率很高，這是正常的。如果某個訓練實例的概率很低，那就是一個異常的例子。對於不同的訓練集，高概率和低概率的定義是不同的。我們以后再討論。
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：
這里m是數據集的長度或訓練數據的數量，而\(x^i\)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：
這里，mu是上一步計算的平均值。
- 現在，用這個概率公式計算每個訓練例子的概率。
不要被這個公式中的求和符號弄糊塗了！這實際上是Sigma代表方差。
稍后我們將實現該算法時，你將看到它的樣子。
- 我們現在需要找到概率的臨界值。正如我前面提到的，如果一個訓練例子的概率很低，那就是一個異常的例子。
低概率有多大？
這沒有普遍的限制。我們需要為我們的訓練數據集找出這個。
我們從步驟3中得到的輸出中獲取一系列概率值。對於每個概率，通過閾值的設置得到數據是否異常
然后計算一系列概率的精確度、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：
在這里，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，更高的精確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：
這里，P和R分別表示精確性和召回率。
我不想詳細說明為什么這個公式如此獨特。因為這篇文章是關於異常檢測的。如果你對這篇文章更感興趣的話，可以查看：https://towardsdatascience.com/a-complete-understanding-of-precision-recall-and-f-score-concepts-23dc44defef6
根據f1分數，你需要選擇你的閾值概率。
異常檢測算法
我將使用Andrew Ng的機器學習課程的數據集，它具有兩個訓練特征。我沒有在本文中使用真實的數據集，因為這個數據集非常適合學習。它只有兩個特征。在任何真實的數據集中，都不可能只有兩個特征。
有兩個特性的好處是可以可視化數據，這對學習者非常有用。請隨意從該鏈接下載數據集，然后繼續：
https://github.com/rashida048/Machine-Learning-With-Python/blob/master/ex8data1.xlsx
首先，導入必要的包
import pandas as pd
import numpy as np
導入數據集。這是一個excel數據集。在這里，訓練數據和交叉驗證數據存儲在單獨的表中。所以，讓我們把訓練數據帶來。
df = pd.read_excel('ex8data1.xlsx', sheet_name='X', header=None)
df.head()
讓我們將第0列與第1列進行比較。
plt.figure()
plt.scatter(df[0], df[1])
plt.show()
你可能通過看這張圖知道哪些數據是異常的。
檢查此數據集中有多少個訓練示例：
m = len(df)
計算每個特征的平均值。這里我們只有兩個特征：0和1。
s = np.sum(df, axis=0)
mu = s/m
mu
輸出：
0 14.112226
1 14.997711
dtype: float64
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
輸出：
0 1.832631
1 1.709745
dtype: float64
現在把它做成對角線形狀。正如我在概率公式后面的“公式和過程”一節中所解釋的，求和符號實際上是方差
var_dia = np.diag(variance)
var_dia
輸出：
array([[1.83263141, 0. ],
[0. , 1.70974533]])
計算概率：
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
訓練部分已經完成。
下一步是找出閾值概率。如果概率低於閾值概率，則示例數據為異常數據。但我們需要為我們的特殊情況找出那個閾值。
對於這一步，我們使用交叉驗證數據和標簽。
對於你的案例，你只需保留一部分原始數據以進行交叉驗證。
現在導入交叉驗證數據和標簽：
cvx = pd.read_excel('ex8data1.xlsx', sheet_name='Xval', header=None)
cvx.head()
標簽如下：
cvy = pd.read_excel('ex8data1.xlsx', sheet_name='y', header=None)
cvy.head()
我將把'cvy'轉換成NumPy數組，因為我喜歡使用數組。不過，數據幀也不錯。
y = np.array(cvy)
輸出：
# 數組的一部分
array([[0],
[0],
[0],
[0],
[0],
[0],
[0],
[0],
[0],
這里，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，如何選擇一個閾值？
我不想只檢查概率表中的所有概率。這可能是不必要的。讓我們再檢查一下概率值。
p.describe()
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
如圖所示，我們沒有太多異常數據。所以，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。
因此，我們將從平均值和更低的概率范圍。我們將檢查這個范圍內每個概率的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
列出低於或等於平均概率的概率。
eps = [i for i in p if i <= p.mean()]
檢查一下列表的長度
len(eps)
輸出：
133
根據前面討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
所有函數都准備好了！
現在計算所有epsilon或我們之前選擇的概率值范圍的f1分數。
f = []
for i in eps:
f.append(f1(i))
f
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,
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。所以，我們需要從剛才計算的f分數列表中取f的最高分數。
現在，使用“argmax”函數來確定f分數值最大值的索引。
np.array(f).argmax()
輸出：
131
現在用這個索引來得到閾值概率。
e = eps[131]
e
輸出：
6.107184445968581e-05
找出異常實例
我們有臨界概率。我們可以從中找出我們訓練數據的標簽。
如果概率值小於或等於該閾值，則數據為異常數據，否則為正常數據。我們將正常數據和異常數據分別表示為0和1，
label = []
for i in range(len(df)):
if p[i] <= e:
label.append(1)
else:
label.append(0)
label
輸出：
[0,
0,
0,
0,
0,
0,
0,
0,
0,
0,
這是標簽列表的一部分。
我將在上面的訓練數據集中添加此計算標簽：
df['label'] = np.array(label)
df.head()
我在標簽為1的地方用紅色繪制數據，在標簽為0的地方用黑色繪制。以下是結果。
有道理嗎？
是的，對吧？紅色的數據明顯異常。
結論
我試圖一步一步地解釋開發異常檢測算法的過程，我希望這是可以理解的。如果你僅僅通過閱讀就無法理解，我建議你運行每一段代碼。那就很清楚了。
歡迎關注磐創AI博客站：
http://panchuang.net/
sklearn機器學習中文官方文檔：
http://sklearn123.com/
歡迎關注磐創博客資源匯總站：
http://docs.panchuang.net/