KNN do wykrywania wartości odstających

Wykrywanie anomalii w Pythonie

Bekhruz (Bex) Tuychiev

Kaggle Master, Data Science Content Creator

Zastosowania KNN

Nadzorowane:
- Regresja
- Klasyfikacja
Nienadzorowane:
- Grupowanie
- Wykrywanie wartości odstających

Prostota KNN

Wyniki anomalii są obliczane na podstawie

Isolation Forest:
- Głębokości drzewa
- Rozmiaru podpróbki
- Wielu innych składników
KNN:
- Wyłącznie odległości między instancjami

Zbiór danych Ansur Male

import pandas as pd

males = pd.read_csv("ansur_male.csv")
males.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4082 entries, 0 to 4081
Data columns (total 95 columns):
 #   Column                          Non-Null Count  Dtype
 0   abdominalextensiondepthsitting  4082 non-null   int64
 1   acromialheight                  4082 non-null   int64
 2   acromionradialelength           4082 non-null   int64
 3   anklecircumference              4082 non-null   int64
 4   axillaheight                    4082 non-null   int64
  ...

KNN w działaniu

from pyod.models.knn import KNN

knn = KNN(contamination=0.01, n_jobs=-1)

knn.fit(males)

KNN z prawdopodobieństwami wartości odstających

probs = knn.predict_proba(males)


# Use 55% threshold for filtering
is_outlier = probs[:, 1] > 0.55

# Isolate the outliers
outliers = males[is_outlier]

len(outliers)

Liczba sąsiadów

# k=20 when contamination is <=10%
knn = KNN(n_neighbors=20, n_jobs=-1)
knn.fit(males)

probs = knn.predict_proba(males)

is_outlier = probs[:, 1] > .55
outliers = males[is_outlier]

len(outliers)

Wykres przykładowego zbioru danych z 8 instancjami, gdzie A jest wartością odstającą, a strzałki wskazują 4 najbliższych sąsiadów.

Cechy KNN

Wykres przykładowego zbioru danych z 8 instancjami, gdzie A jest wartością odstającą, a strzałki wskazują 4 najbliższych sąsiadów.

Wady KNN

Zapamiętuje zbiór danych – nieefektywny pamięciowo
Wolna faza predykcji
Wrażliwy na skale cech

Czas na ćwiczenia!

Wykrywanie anomalii w Pythonie