KNN pentru detectarea anomaliilor

Detecția anomaliilor în Python

Bekhruz (Bex) Tuychiev

Kaggle Master, Data Science Content Creator

Aplicații ale KNN

Supervizat:
- Regresie
- Clasificare
Nesupervizat:
- Grupare
- Detectarea anomaliilor

Simplitatea KNN

Scorurile de anomalie sunt calculate în

Isolation Forest:
- Adâncimea arborelui
- Dimensiunea sub-eșantionului
- Multe alte componente
KNN:
- Doar distanța dintre instanțe

Setul de date 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 în acțiune

from pyod.models.knn import KNN

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

knn.fit(males)

KNN cu probabilități de anomalie

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)

Numărul de vecini

# 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)

Un grafic al unui set de date cu 8 instanțe, cu A ca anomalie și săgeți între A și cei 4 vecini cei mai apropiați.

Caracteristici ale KNN

Un grafic al unui set de date cu 8 instanțe, cu A ca anomalie și săgeți între A și cei 4 vecini cei mai apropiați.

Dezavantaje ale KNN

Memorează setul de date - ineficient din punct de vedere al memoriei
Predicție lentă
Sensibil la scalele caracteristicilor

Să exersăm!

Detecția anomaliilor în Python