Python sklearn LocalOutlierFactor用法及代碼示例

本文簡要介紹python語言中 sklearn.neighbors.LocalOutlierFactor 的用法。

用法:

class sklearn.neighbors.LocalOutlierFactor(n_neighbors=20, *, algorithm='auto', leaf_size=30, metric='minkowski', p=2, metric_params=None, contamination='auto', novelty=False, n_jobs=None)

使用局部異常因子 (LOF) 進行無監督異常值檢測。

每個樣本的異常分數稱為局部異常值因子。它測量給定樣本的密度相對於其鄰居的局部偏差。它是局部的，因為異常分數取決於對象相對於周圍鄰域的隔離程度。更準確地說，局部性由k-nearest 個鄰居給出，其距離用於估計局部密度。通過將樣本的局部密度與其鄰居的局部密度進行比較，可以識別出密度大大低於其鄰居的樣本。這些被認為是異常值。

參數：

n_neighbors：整數，默認=20

kneighbors 查詢默認使用的鄰居數量。如果 n_neighbors 大於提供的樣本數，則將使用所有樣本。

algorithm：{‘auto’, ‘ball_tree’，‘kd_tree’, ‘brute’}，默認='自動'

用於計算最近鄰的算法：

• ‘ball_tree’ 將使用 BallTree
• ‘kd_tree’ 將使用 KDTree
• ‘brute’ 將使用蠻力搜索。
• ‘auto’ 將嘗試根據傳遞給 fit 方法的值來決定最合適的算法。

注意：擬合稀疏輸入將使用蠻力覆蓋此參數的設置。

leaf_size：整數，默認=30

Leaf 是傳遞給 BallTree 或 KDTree 的大小。這會影響構建和查詢的速度，以及存儲樹所需的內存。最佳值取決於問題的性質。

metric：str 或可調用，默認='minkowski'

該度量用於距離計算。可以使用來自 scikit-learn 或 scipy.spatial.distance 的任何度量。

如果 metric 是“precomputed”，X 被假定為一個距離矩陣並且必須是正方形。 X 可能是一個稀疏矩陣，在這種情況下，隻有 “nonzero” 個元素可以被視為鄰居。

如果 metric 是一個可調用函數，則在每對實例(行)上調用它並記錄結果值。可調用對象應將兩個數組作為輸入並返回一個值，指示它們之間的距離。這適用於 Scipy 的指標，但效率低於將指標名稱作為字符串傳遞。

指標的有效值為：

• 來自scikit-learn：[‘cityblock’, ‘cosine’, ‘euclidean’，‘l1’, ‘l2’，‘manhattan’]
• 來自 scipy.spatial.distance: [‘braycurtis’, ‘canberra’, ‘chebyshev’, ‘correlation’, ‘dice’, ‘hamming’, ‘jaccard’, ‘kulsinski’, ‘mahalanobis’, ‘minkowski’, ‘rogerstanimoto’, ‘russellrao’, ‘seuclidean’, ‘sokalmichener’, ‘sokalsneath’, ‘sqeuclidean’, ‘yule’]

有關這些指標的詳細信息，請參閱scipy.spatial.distance 的文檔：https://docs.scipy.org/doc/scipy/reference/spatial.distance.html.

p：整數，默認=2

來自 sklearn.metrics.pairwise.pairwise_distances 的 Minkowski 度量的參數。當 p = 1 時，這相當於使用 manhattan_distance (l1)，而對於 p = 2，則使用 euclidean_distance (l2)。對於任意 p，使用 minkowski_distance (l_p)。

metric_params：字典，默認=無

度量函數的附加關鍵字參數。

contamination：‘auto’ 或浮點數，默認='auto'

數據集的汙染量，即數據集中異常值的比例。擬合時，它用於定義樣本分數的閾值。

• 如果‘auto’，閾值的確定與原論文相同，
• 如果是浮點數，則汙染應在 (0, 0.5] 範圍內。

novelty：布爾，默認=假

默認情況下，LocalOutlierFactor 僅用於異常值檢測(novelty=False)。如果您想使用 LocalOutlierFactor 進行新穎性檢測，請將新穎性設置為 True。在這種情況下請注意，您應該隻對新的看不見的數據而不是訓練集使用預測、decision_function 和score_samples。

n_jobs：整數，默認=無

為鄰居搜索運行的並行作業數。 None 表示 1，除非在 joblib.parallel_backend 上下文中。 -1 表示使用所有處理器。有關詳細信息，請參閱詞匯表。

屬性：

negative_outlier_factor_：ndarray 形狀 (n_samples,)

訓練樣本的相反 LOF。越高越正常。 Inliers 的 LOF 分數往往接近 1(negative_outlier_factor_ 接近 -1)，而異常值的 LOF 分數往往更高。

樣本的局部異常值 (LOF) 捕獲其假定的“異常程度”。它是樣本的局部可達密度與其k-nearest鄰居的局部可達密度之比的平均值。

n_neighbors_：int

用於kneighbors 查詢的實際鄰居數量。

offset_：浮點數

用於從原始分數獲取二進製標簽的偏移量。 negative_outlier_factor 小於offset_ 的觀察被檢測為異常。偏移量設置為 -1.5(內點得分約為 -1)，除非提供了不同於 “auto” 的汙染參數。在這種情況下，偏移量的定義方式是我們在訓練中獲得預期的異常值數量。

effective_metric_：str

用於距離計算的有效度量。

effective_metric_params_：dict

度量函數的有效附加關鍵字參數。

n_features_in_：int

擬合期間看到的特征數。

feature_names_in_：ndarray 形狀(n_features_in_，)

擬合期間看到的特征名稱。僅當 X 具有全為字符串的函數名稱時才定義。

n_samples_fit_：int

它是擬合數據中的樣本數。

參考：

1

Breunig, M. M.、Kriegel, H. P.、Ng, R. T. 和 Sander, J.(2000 年 5 月)。 LOF：識別基於密度的局部異常值。在 ACM sigmod 記錄中。

例子：

>>> import numpy as np
>>> from sklearn.neighbors import LocalOutlierFactor
>>> X = [[-1.1], [0.2], [101.1], [0.3]]
>>> clf = LocalOutlierFactor(n_neighbors=2)
>>> clf.fit_predict(X)
array([ 1,  1, -1,  1])
>>> clf.negative_outlier_factor_
array([ -0.9821...,  -1.0370..., -73.3697...,  -0.9821...])