异常检测方法的直观可视化

异常检测方法的直观可视化

标签：备忘单，异常值，Python

 

查看这个可视化的异常检测方法，以及它所来自的Python项目，这是一个可以自己轻松实现异常值检测方法的工具包。

作者：Matthew Mayo，KDnuggets。

 评论

异常值是数据实例，似乎不太容易适应剩余数据或结果模型的行为。虽然许多机器学习算法故意不考虑异常值，或者可以修改以明确地丢弃它们，但有时候异常值本身就是钱。

而且这不能比欺诈检测更直接，欺诈检测使用异常值来识别欺诈活动。定期在纽约及其周边地区使用您的信用卡，在网上使用您的信用卡，主要是购买无关紧要的信用卡？在Soho的一家咖啡店里用过它，在上西区吃过晚餐，但是在巴黎的电子设备上“花了好几千块钱”？有你的异常值，这些是使用各种机器学习技术不懈地追求的。

这个简单的例子实际上使这看起来太简单了。实际上，对异常值没有通用的定义; 你能想象试图定义一个特定的规则，描述地理上“太远”是不是真实的，哪些适用于所有类似于上述案例的欺诈检测场景？即使我们能够同意异常值是什么，取决于我们可能不想删除它的应用程序，只要知道它的存在。

但即使说我们有兴趣收到检测到的异常值的通知，也有各种各样的方法可以做到这一点。想要使用简单的描述性统计方法，例如识别低维数据点，这些数据点落在正态分布中与平均值的标准偏差的特定倍数？很酷，如果这对你有用。但是还有很多其他方法。

看看这个可视化的异常值检测方法来自Python异常值检测（PyOD）的创建者- 我鼓励你点击它以享受全分辨率的荣耀：

 

点击放大

 

 

以非常直观的方式可视化不少于12个离群值检测方法。他们把这个放在一起做得很好。

当然，虽然这可以作为一个很好的备忘单来了解异常检测方法的工作原理，但这实际上来自前面提到的Python项目：

PyOD是一个全面且可扩展的Python工具包，用于检测多变量数据中的外围对象。这个激动但具有挑战性的领域通常被称为异常检测或异常检测。自2017年以来，PyOD已成功应用于各种学术研究和商业产品。

如果您正在学习异常检测，PyOD是一个简单的工具包，它有一个Scikit-learn风格的API，包括许多检测算法实现（它的GitHub repo有链接到算法的原始论文），并且足够直观，几乎可以运行如果您熟悉当代Python机器学习生态系统的各个组件，请立即使用。您可以在此处找到项目的文档。