Python基于孤立森林算法(IsolationForest)实现数据异常值检测项目实战

说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。

1.项目背景

孤立森林是基于Ensemble的快速异常检测方法，具有线性时间复杂度和高精准度，是符合大数据处理要求的state-of-the-art算法。孤立森林算法适用于连续数据的异常检测，将异常定义为“容易被孤立的离群点”，可以理解为分布稀疏且离密度高的群体较远的点。用统计学来解释，在数据空间里面，分布稀疏的区域表示数据发生在此区域的概率很低，因而可以认为落在这些区域里的数据是异常的。

孤立森林最早来源于2008年发表的一篇论文《Isolation Forest》，该论文由莫纳什大学的 Fei Tony Liu、Kai Ming Ting 和南京大学的周志华合作完成的。孤立森林算法的思想是通过不断地分割数据集，从而把异常点给孤立出来。分割数据集的依据是反复随机选取样本特征，不断地分割数据集直到每个样本点都是孤立的。在此情况下，异常点因为具有不同或者特殊的特征值，因此异常点的路径通常很短，也会比较早被分离出来。

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

数据组成：训练数据1460条、81个特征(38个数值特征和43个分类特征)

数据详情如下(部分展示)：

3.数据预处理

3.1 用Pandas工具查看数据形状

使用Pandas工具的shape ()方法查看数据的形状：

关键代码：

3.2缺失值数据填充

使用Pandas工具的fillna ()方法用0填充缺失的数据，关键代码：

3.3生产数据集的特征列表

使用Pandas工具的columns属性来生成数据集的特征列表：

关键代码：

4.异常数据检测

使用sklearn工具中的IsolationForest(算法)来进行数据集中异常数据的检测。

4.1建模

模型参数如下：

4.2拟合与预测

应用fit()方法进行拟合，应用predict()进行预测，预测值分为1和-1,1为正常值，-1为异常值，那么在后续的深度神经网络模型应用中将会丢弃掉异常值的数据。检测结果如下：

关键代码如下：

4.3正常值结果展示

使用Pandas工具的head()方法来展示正常值数据的前10行：

关键代码如下：

5.特征工程

5.1数据归一化

使用sklearn工具MinMaxScaler()方法来进行数据的无量纲化，即数据的归一化，归一化后的数据如下图：

关键代码：

5.2 建立特征数据和标签数据

SalePrice为标签数据，除SalePrice之外的为特征数据。关键代码如下：

5.3数据集拆分

训练集拆分，分为训练集和验证集，70%训练集和30%验证集。关键代码如下：

6.构建深度神经网络模型

主要使用Keras工具的Sequential()方法构建序惯模型，然后添加Dense层，用于目标回归。

6.1建模

关键代码如下：

7.模型评估

7.1评估指标及结果 

评估指标主要包括均方误差等等。

从上表可以看出，损失值较小，深度神经网络模型效果较好。

关键代码如下： 

7.3 真实值与预测值比对图

从上图可以看到，真实值和预测值波动基本一致，说明除去异常值之后的深度神经网络模型效果较好。

8.结论与展望

综上所述，使用了孤立森林算法对房价数据进行异常检测。实验结果表明，该算法可以有效检测出房价数据中存在的异常数据。然后把异常数据去除，来构建深度神经网络模型，模型效果较好。可用于日常生活中进行建模预测，以提高生产价值和效能。

测试集数据预测结果如下：

# 本次机器学习项目实战所需的资料，项目资源如下：
 
# 项目说明：
 
# 获取方式一：
 
# 项目实战合集导航：
 
https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2
 
# 获取方式二：
 
链接：https://pan.baidu.com/s/1TD-YlshnVciz10gPVvhGiw 
提取码：smew