IsolationForest 示例#

一个使用 IsolationForest 进行异常检测的示例。

隔离森林（Isolation Forest）是由多个“隔离树”组成的集成方法，它通过递归随机分区来“隔离”观测值，可以用树结构表示。隔离一个样本所需的分割次数，对于异常值较低，对于正常值较高。

在本例中，我们将演示两种可视化在玩具数据集上训练的隔离森林决策边界的方法。

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

数据生成#

我们通过随机采样标准正态分布（由numpy.random.randn返回）来生成两个簇（每个簇包含n_samples个样本）。其中一个簇是球形的，另一个簇略微变形。

为了与IsolationForest 的标记一致，我们将正常值（即高斯簇）赋予真实标签1，而将异常值（使用numpy.random.uniform创建）赋予标签-1。

import numpy as np

from sklearn.model_selection import train_test_split

n_samples, n_outliers = 120, 40
rng = np.random.RandomState(0)
covariance = np.array([[0.5, -0.1], [0.7, 0.4]])
cluster_1 = 0.4 * rng.randn(n_samples, 2) @ covariance + np.array([2, 2])  # general
cluster_2 = 0.3 * rng.randn(n_samples, 2) + np.array([-2, -2])  # spherical
outliers = rng.uniform(low=-4, high=4, size=(n_outliers, 2))

X = np.concatenate([cluster_1, cluster_2, outliers])
y = np.concatenate(
    [np.ones((2 * n_samples), dtype=int), -np.ones((n_outliers), dtype=int)]
)

X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=42)

我们可以可视化生成的簇。

import matplotlib.pyplot as plt

scatter = plt.scatter(X[:, 0], X[:, 1], c=y, s=20, edgecolor="k")
handles, labels = scatter.legend_elements()
plt.axis("square")
plt.legend(handles=handles, labels=["outliers", "inliers"], title="true class")
plt.title("Gaussian inliers with \nuniformly distributed outliers")
plt.show()

Gaussian inliers with uniformly distributed outliers

模型训练#

from sklearn.ensemble import IsolationForest

clf = IsolationForest(max_samples=100, random_state=0)
clf.fit(X_train)

IsolationForest(max_samples=100, random_state=0)

在Jupyter环境中，请重新运行此单元格以显示HTML表示或信任笔记本。
在GitHub上，HTML表示无法渲染，请尝试使用nbviewer.org加载此页面。

绘制离散决策边界#

我们使用DecisionBoundaryDisplay类来可视化离散决策边界。背景颜色表示给定区域中的样本是否被预测为异常值。散点图显示真实标签。

import matplotlib.pyplot as plt

from sklearn.inspection import DecisionBoundaryDisplay

disp = DecisionBoundaryDisplay.from_estimator(
    clf,
    X,
    response_method="predict",
    alpha=0.5,
)
disp.ax_.scatter(X[:, 0], X[:, 1], c=y, s=20, edgecolor="k")
disp.ax_.set_title("Binary decision boundary \nof IsolationForest")
plt.axis("square")
plt.legend(handles=handles, labels=["outliers", "inliers"], title="true class")
plt.show()

Binary decision boundary of IsolationForest

绘制路径长度决策边界#

通过设置response_method="decision_function"，DecisionBoundaryDisplay的背景表示观测值的正态性度量。该分数由在随机树森林上平均的路径长度给出，该路径长度本身由隔离给定样本所需的叶节点深度（或等效地，分割次数）给出。

当随机树森林共同产生较短的路径长度来隔离某些特定样本时，它们很可能就是异常值，并且正态性度量接近0。类似地，较长的路径对应于接近1的值，并且更有可能是正常值。

disp = DecisionBoundaryDisplay.from_estimator(
    clf,
    X,
    response_method="decision_function",
    alpha=0.5,
)
disp.ax_.scatter(X[:, 0], X[:, 1], c=y, s=20, edgecolor="k")
disp.ax_.set_title("Path length decision boundary \nof IsolationForest")
plt.axis("square")
plt.legend(handles=handles, labels=["outliers", "inliers"], title="true class")
plt.colorbar(disp.ax_.collections[1])
plt.show()

Path length decision boundary of IsolationForest

脚本总运行时间：（0分钟0.500秒）