孤立森林

Isolation Forest（sklearn.ensemble.IsolationForest）：一种适用于 连续数据 的 无监督 异常检测方法。与随机森林类似，都是高效的集成算法，相较于LOF，K-means等传统算法，该算法鲁棒性高且对数据集的分布无假设。

Isolation Forest算法做非监督式的异常点检测分析，对数据特征的要求宽松：

• 该算法对特征的要求低，不需要做离散化，不需要数值标准化

• 不需要考虑特征间的关系（例如共线性）等，不需要额外做特征过滤和筛选

附：SKlearn 中其他用于异常检测的方法

• one-class SVM（svm.OneClassSVM）

• LocalOutlierFactor（sklearn.neighbors.LocalOutlierFactor）

• EllipticEnvelope（covariance.EllipticEnvelope）

本案例中

需求：分析一下通过不同渠道来到网站的访客里面是否有异常流量

数据特点：（综合数据特点，选择Isolation Forest算法做非监督式的异常点检测分析）

数据是不带标记的数据，只能用无监督式分析方法

特征维度较高，有的特征是分类型变量，有的特征是数值型变量

代码示例

1 数据预处理

1.1 填充缺失值、去除无关项（如 用户id，可能影响结果）

【此处，处理好的数据集是 df 】

不是主要代码，略

1.2 将 分类特征 转换为 数值型

【此处，处理好的数据集是feature_merge】

（稍后出新随笔补充，避免混淆视听，就不写在这里了）

2 异常诊断

2.1 异常点检测

from sklearn.ensemble import IsolationForest

# 创建模型，n_estimators：int，可选（默认值= 100），集合中的基本估计量的数量
model_isof = IsolationForest(n_estimators=20)
# 计算有无异常的标签分布
outlier_label = model_isof.fit_predict(feature_merge)

得到 array 类型的 标签数据

2.2 异常结果汇总 

# 将array 类型的标签数据转成 DataFrame
outlier_pd = pd.DataFrame(outlier_label, columns=[‘outlier_label‘])

# 将标签数据与原来的数据合并
data_merge = pd.concat((df, outlier_pd), axis=1)

查看一下异常流量和正常流量的数量

 2.3 统计每个渠道的异常情况

# 创建用于返回数据集的函数
def cal_sample(df):
    return df.groupby([‘source‘], as_index=False)[‘visitNumber‘].count().sort_values([‘source‘], ascending=False)

# 取出异常样本
outlier_source = data_merge[data_merge[‘outlier_label‘]==-1]
outlier_source_sort = cal_sample(outlier_source)

# 取出正常样本
normal_source = data_merge[data_merge[‘outlier_label‘]==1]
normal_source_sort = cal_sample(normal_source)

 2.4 计算异常比例

# 将并异常流量与正常流量为一个 DataFrame
source_merge = pd.merge(outlier_source_sort,
                        normal_source_sort, on=‘source‘, how=‘outer‘)

# 修改列名
source_merge = source_merge.rename(
    columns={‘visitNumber_x‘: ‘outlier_count‘, ‘visitNumber_y‘: ‘normal_count‘})

# 计算异常比例
source_merge[‘total_count‘] = source_merge[‘outlier_count‘] +     source_merge[‘normal_count‘]
source_merge[‘outlier_rate‘] = source_merge[‘outlier_count‘] /     source_merge[‘total_count‘]

bingo~

本文仅用于学习