1.什么是异常/异常值
在统计学中，离群值是不属于某个总体的数据点，它是一种与其他值相差甚远的异常观察，是一种与其他结构良好的数据不同的观察值。
例如，您可以清楚地看到列表中的异常值：[20,24,22,19,29,184300,30,18]当观察值只是一组数字并且是一维时，很容易识别它，但是当你有数千个观察值或多维值时，你需要更聪明的方法来检测这些值。
2.异常值的作用
离群点的检测是数据挖掘的核心问题之一。数据的不断扩展和持续增长以及物联网设备的普及，使我们重新思考我们处理异常的方式，以及通过观察这些异常情况可以构建的用例。
我们现在有智能手表和腕带，可以每隔几分钟检测我们的心跳。检测心跳数据中的异常有助于预测心脏病。交通模式的异常有助于预测事故。它还可以用来识别网络基础设施和服务器之间的通信瓶颈。因此，建立在检测异常之上的用例和解决方案是无限的。
我们需要检测异常的另一个原因是，在为机器学习模型准备数据集时，检测所有异常值非常重要，要么去掉它们，要么分析它们，以了解为什么会有异常。
现在，让我们从最简单的方法开始探索5种常见的异常检测方法。
3.异常值检测方法
3.1 标准差
在统计学中，如果一个数据分布近似正态分布，那么大约68%的数据值在平均值的一个标准差内，约95%在两个标准差内，约99.7%在三个标准差内。
因此，如果有任何数据点超过标准偏差的3倍，那么这些点很可能是异常或异常值。
import numpy as np import matplotlib.pyplot as plt seed(1) anomalies=[] #multiply and add by random numbers to get some real values data=np.random.randn(50000)*20+20 #Function to Detection Outlier on one-dimentional datasets def find_anomalies(random_data): #set upper and lower limit to 3 standard deviation random_data_std=std(random_data) random_data_mean=mean(random_data) anomaly_cut_off=random_data_std*3 lower_limit=random_data_mean-anomaly_cut_off upper_limit=random_data_mean+anomaly_cut_off print(lower_limit) #Generate outliers for outlier in random_data: if outlier > upper_limit or outlier <lower_limit: return anomalies
3.2 箱体图
箱体图是通过分位数对数值数据的图形化描述。这是一种非常简单但有效的方法来可视化异常值。把上下胡须(whisker)看作是数据分布的边界。任何显示在胡须上方或下方的数据点都可以被视为异常值或异常值。下面是绘制箱体图的代码：
import seaborn as sns import matplotlib.pyplot as plt sns.boxplot(data=random_data)
上面的代码显示下面的图。如您所见，它认为高于75或低于-35的所有数据都是异常值。结果与上述方法1非常接近。
箱体图解析
四分位间距（IQR）的概念用于构建箱线图。IQR是统计学中的一个概念，通过将数据集分成四分位数来衡量统计离散度和数据可变性。
简单地说，根据数据的值以及它们与整个数据集的比较，任何数据集或任何一组观测值被划分为四个定义的区间。四分位数将数据分为三个点和四个区间。
四分位间距（IQR）很重要，因为它用于定义异常值。它是第三个四分位数和第一个四分位数之间的差值（IQR=Q3-Q1）。这种情况下的异常值定义为低于（Q1−1.5x IQR）或boxplot下须或以上（Q3+1.5x IQR）或boxplot上须的观测值。
3.3 DBScan聚类
DBScan是一种将数据分组的聚类算法。它也可以作为一种基于密度的异常检测方法，无论是单维数据还是多维数据。其他的聚类算法，如k-means 和hierarchal聚类也可以用来检测异常值。在本例中，我将向您展示一个使用DBScan的示例，但是在开始之前，让我们先介绍一些重要的概念。DBScan有三个重要概念：
核心点：为了理解核心点的概念，我们需要关注一些用于定义DBScan作业的超参数。第一个超参数（HP）是min_samples。这只是组成集群所需的最小核心点数量。第二重要的超参数HP是eps。eps是两个样本被视为在同一个聚类之间的最大距离。
边界点与核心点在同一个集群中，但距离集群中心远得多。
其他的一切都被称为噪声点，那些是不属于任何簇的数据点。它们可以是异常的或非异常的，需要进一步的研究。现在，让我们看看代码。
from sklearn.cluster import DBSCAN seed(1) random_data=np.random.randn(50000,2)*20+20 outlier_detection=DBSCAN(min_samples=2,eps=3) clusters=outlier_detection.fit_predict(random_data) list(clusters).count(-1)
以上代码的输出是94。这是噪声点的总数。SKLearn将噪波点标记为（-1）。这种方法的缺点是维数越高，精度就越低。你还需要做一些假设，比如估计eps的确切值，这可能很有挑战性。
3.4 孤立森林
孤立森林是一种无监督学习算法，属于集成决策树家族。这种方法不同于以往的所有方法。之前所有的方法都是试图找到数据的正常区域，然后识别出这个定义区域之外的任何异常值或异常值。
这种方法的效果不同。它显式地隔离异常值，而不是通过为每个数据点分配分数来分析和构造正常点和区域。它利用了一个事实，即异常是少数数据点，并且它们的属性值与正常实例的属性值大不相同。该算法适用于高维数据集，是一种非常有效的异常检测方法。由于本文关注的是实现，而不是技术诀窍，因此我将不再进一步讨论算法的工作原理。此文将详细介绍它的工作原理。
现在，让我们探索一下代码：
from sklearn.ensemble import IsolationForest import numpy as np np.random.seed(1) random_data=np.random.randn(50000,2)*20+20 clf=IsolationForest(behaviour='new',max_samples=100,random_state=1,contamination='auto') preds=clf.fit_predict(random_data)
此代码将输出数组中每个数据点的预测。如果结果为-1，则表示此特定数据点为异常值。如果结果为1，则表示数据点不是异常值。
3.5 随机森林
随机森林（RCF）算法是亚马逊用于检测异常的无监督算法。它也通过关联异常分数来工作。低分值表示数据点被视为“正常”。高值表示数据中存在异常。“低”和“高”的定义取决于应用，但通常的做法是，分数超过平均分的三个标准差被视为异常。
