Elliptic Envelope

算法思想

Elliptic Envelope算法的思路是，假设常规数据隐含这一个已知的概率分布。基于这个假设，我们尝试确定数据的形状（边界），也可以将远离边界的样本点定义为异常点。SKlearn提供了一个covariance.EllipticEnvelope类，它可以根据数据做一个鲁棒的协方差估计，然后学习到一个包围中心样本点并忽视离群点的椭圆。

代码实现

使用sklearn中的相关包来实现Elliptic Envelope算法，举一个很简单的小demo：

from sklearn.covariance import EllipticEnvelope
X = [[0], [0.44], [0.45], [0.46], [1]]
clf = EllipticEnvelope(random_state=0)
clf = clf.fit(X)
# score越小，代表越有可能是离群点
scores = clf.score_samples(X)
"""
输出的结果是：
[-3.0375e+03 -1.5000e+00 -0.0000e+00 -1.5000e+00 -4.5375e+03]
"""
print(scores)

其他的内置函数以及介绍在：scikit-learn

可视化

sklearn上的可视化案例，链接为：scikit-learn

import numpy as np
from sklearn.covariance import EllipticEnvelope
from sklearn.svm import OneClassSVM
import matplotlib.pyplot as plt
import matplotlib.font_manager
from sklearn.datasets import load_wine# Define "classifiers" to be used
classifiers = {"Empirical Covariance": EllipticEnvelope(support_fraction=1.,contamination=0.25),"Robust Covariance (Minimum Covariance Determinant)":EllipticEnvelope(contamination=0.25),"OCSVM": OneClassSVM(nu=0.25, gamma=0.35)}
colors = ['m', 'g', 'b']
legend1 = {}
legend2 = {}# Get data
X1 = load_wine()['data'][:, [1, 2]]  # two clusters# Learn a frontier for outlier detection with several classifiers
xx1, yy1 = np.meshgrid(np.linspace(0, 6, 500), np.linspace(1, 4.5, 500))
for i, (clf_name, clf) in enumerate(classifiers.items()):plt.figure(1)clf.fit(X1)Z1 = clf.decision_function(np.c_[xx1.ravel(), yy1.ravel()])Z1 = Z1.reshape(xx1.shape)legend1[clf_name] = plt.contour(xx1, yy1, Z1, levels=[0], linewidths=2, colors=colors[i])legend1_values_list = list(legend1.values())
legend1_keys_list = list(legend1.keys())# Plot the results (= shape of the data points cloud)
plt.figure(1)  # two clusters
plt.title("Outlier detection on a real data set (wine recognition)")
plt.scatter(X1[:, 0], X1[:, 1], color='black')
bbox_args = dict(boxstyle="round", fc="0.8")
arrow_args = dict(arrowstyle="->")
plt.annotate("outlying points", xy=(4, 2),xycoords="data", textcoords="data",xytext=(3, 1.25), bbox=bbox_args, arrowprops=arrow_args)
plt.xlim((xx1.min(), xx1.max()))
plt.ylim((yy1.min(), yy1.max()))
plt.legend((legend1_values_list[0].collections[0],legend1_values_list[1].collections[0],legend1_values_list[2].collections[0]),(legend1_keys_list[0], legend1_keys_list[1], legend1_keys_list[2]),loc="upper center",prop=matplotlib.font_manager.FontProperties(size=11))
plt.ylabel("ash")
plt.xlabel("malic_acid")plt.show()

最终的结果是：

异常检测算法：Elliptic Envelope算法的python代码实现相关推荐

异常检测-基于孤立森林算法Isolation-based Anomaly Detection-1-论文学习
异常检测-基于孤立森林算法Isolation-based Anomaly Detection-1-论文学习参考文章: (1)异常检测-基于孤立森林算法Isolation-based Anomaly ...
【负荷预测】基于灰色预测算法的负荷预测（Python代码实现）
目录 1 概述 2 流程图 3 入门算例 4 基于灰色预测算法的负荷预测(Python代码实现) 1 概述 "由于数据列的离散性,信息时区内将出现空集(不包含信息的定时区),因此只能按近似 ...
联邦学习算法介绍-FedAvg详细案例-Python代码获取
联邦学习算法介绍-FedAvg详细案例-Python代码获取一.联邦学习系统框架二.联邦平均算法(FedAvg) 三.联邦随梯度下降算法 (FedSGD) 四.差分隐私随联邦梯度下降算法 (DP- ...
VAE逻辑整理及VAE在异常检测中的小实验（附代码）
VAE逻辑整理及VAE在异常检测中的小实验(附代码) Variance和control variate 两种常见的分类器相应代码 Minst数据集的训练和重构 KDD99数据本文主要讲解一下整个 ...
UEBA 学术界研究现状——用户行为异常检测思路：序列挖掘prefixspan，HMM，LSTM/CNN，SVM异常检测，聚类CURE算法...
论文技术分析 <关于网络分层信息泄漏点快速检测仿真> "1.基于动态阈值的泄露点快速检测方法,采样Mallat算法对网络分层信息的离散采样数据进行离散小波变换;利用滑动窗口对 ...
异常检测之普通高斯算法和多元高斯算法学习总结
普通高斯算法: 特点:如果不主动去建立特征与特征之间的关系特征,则普通的高斯算法没有特征的关联性实现方式简述: 1.取1000组非异常的对象,并归纳其n中特种 2.分别计算每种特种高斯公式函数里的 ...
AIOps指标异常检测之无监督算法
随着系统规模的变大.复杂度的提高.监控覆盖的完善,监控数据量越来越大,运维人员无法从海量监控数据中发现质量问题.智能化的异常检测就是要通过AI算法,自动.实时.准确地从监控数据中发现异常,为后续的诊断 ...
异常检测之孤立森林算法详细解释且配上代码运行实例
由于异常值往往有的两个特点:异常数据只占很少量.异常数据特征值和正常数据差别很大.孤立森林,不是描述正常的样本点,而是要孤立异常点,由周志华教授等人于2008年在第八届IEEE数据挖掘国际会议上提出. ...
DBSCAN聚类算法——机器学习（理论+图解+python代码）
一.前言二.DBSCAN聚类算法三.参数选择四.DBSCAN算法迭代可视化展示五.常用的评估方法:轮廓系数六.用Python实现DBSCAN聚类算法一.前言去年学聚类算法的R语言的时候, ...

异常检测算法：Elliptic Envelope算法的python代码实现

文章目录

Elliptic Envelope

算法思想

代码实现

可视化

异常检测算法：Elliptic Envelope算法的python代码实现相关推荐

最新文章

热门文章