Détection de nouveautés

Concevoir des flux de travail Machine Learning en Python

Dr. Chris Anagnostopoulos

Honorary Associate Professor

Classification à une classe

Données d'apprentissage sans anomalies :

Deux grappes de points noirs.

Données futures / test avec anomalies :

Deux grappes de points noirs avec quelques points isolés.

Concevoir des flux de travail Machine Learning en Python

LoF en nouveauté

Solution de contournement

preds = lof().fit_predict(
   np.concatenate([X_train, X_test]))

preds = preds[X_train.shape[0]:]

Deux grappes de points noirs avec quelques points rouges isolés.

LoF en nouveauté

clf = lof(novelty=True)

clf.fit(X_train)
y_pred = clf.predict(X_test)

Deux grappes de points noirs avec quelques points rouges isolés.

Concevoir des flux de travail Machine Learning en Python

Machine à vecteurs de support à une classe

clf = OneClassSVM()

clf.fit(X_train)
y_pred = clf.predict(X_test)

y_pred[:4]

array([ 1,  1,  1, -1])

Deux grappes de points avec quelques points isolés. La plupart des points sont rouges, à la fois dans les grappes et isolés.

Concevoir des flux de travail Machine Learning en Python

Machine à vecteurs de support à une classe

clf = OneClassSVM()
clf.fit(X_train)
y_scores = clf.score_samples(X_test)

threshold = np.quantile(y_scores, 0.1)

y_pred = y_scores <= threshold

Deux grappes de points noirs avec quelques points rouges isolés.

Concevoir des flux de travail Machine Learning en Python

Forêts d'isolement

clf = IsolationForest()
clf.fit(X_train)
y_scores = clf.score_samples(X_test)

clf = LocalOutlierFactor(novelty=True)
clf.fit(X_train)
y_scores = clf.score_samples(X_test)

Deux grappes de points noirs avec quelques points rouges isolés.

Concevoir des flux de travail Machine Learning en Python
clf_lof = LocalOutlierFactor(novelty=True).fit(X_train)
clf_isf = IsolationForest().fit(X_train)
clf_svm = OneClassSVM().fit(X_train)

roc_auc_score(y_test, clf_lof.score_samples(X_test)

0.9897

roc_auc_score(y_test, clf_isf.score_samples(X_test))

0.9692

roc_auc_score(y_test, clf_svm.score_samples(X_test))

0.9948
Concevoir des flux de travail Machine Learning en Python
clf_lof = LocalOutlierFactor(novelty=True).fit(X_train)
clf_isf = IsolationForest().fit(X_train)
clf_svm = OneClassSVM().fit(X_train)

accuracy_score(y_test, clf_lof.predict(X_test))

0.9318

accuracy_score(y_test, clf_isf.predict(X_test))

0.9545

accuracy_score(y_test, clf_svm.predict(X_test))

0.5
Concevoir des flux de travail Machine Learning en Python

Quoi de neuf ?

Concevoir des flux de travail Machine Learning en Python

Preparing Video For Download...