作者：赵越，卡内基梅隆大学，Datawhale特邀

作者信息

知乎微调：https://www.zhihu.com/people/breaknever

内容概括

1.什么是异常检测？

2.异常检测有什么具体应用？

3.异常检测的工具概览？如何用10行Python代码进行异常检测？

4.异常检测算法概览与主流模型介绍

5.面对各种各样的模型，如何选择和调参？

6.未来的异常检测研究方向

7.异常检测相关的资源汇总（书籍、讲座、代码、数据等）

异常检测

什么是异常值、离群点（anomaly）？

异常一般指的是与标准值（或期待值）有偏离的样本，也就是说跟绝大部分数据“长的不一样”。

异常检测的一些特点：

1.异常不一定代表是“坏”的事情，但往往是“有价值”的事情，我们对异常的成因感兴趣

2.异常检测往往是在无监督的模式下完成的—历史数据中没有标签，我们不知道哪些数据是异常。因此无法用监督学习去检测。

异常检测的应用：

1.金融行业的反欺诈、信用卡诈骗检测：把欺诈或者金融风险当做异常

2.罕见病检测：把罕见病当做异常，比如检测早发的阿兹海默症

3.入侵检测：把网络流量中的入侵当做异常

4.机器故障检测：实时监测发现或预测机械故障

5.图结构、群体检测：比如检测疫情的爆发点等

异常检测的应用

IntelControlFlag：

“基于10亿条包含各种错误的未标记生产质量代码的机器学习培训，ControlFlag得以通过“异常检测”技术，对传统编程模式展开筛查。无论使用的是哪种编程语言，它都能够有效地识别代码中可能导致任何错误的潜在异常。”

AmazonAWSCloudWatch:

“今天，我们将通过一项新功能增强CloudWatch，它将帮助您更有效地使用CloudWatch警报。…我们的用户可以构建自定义的控制面板，设置警报并依靠CloudWatch来提醒自己影响其应用程序性能或可靠性的问题。”

Google：

“GoogleAnalytics（分析）会选择一段时期的历史数据来训练其预测模型。要检测每天的异常情况，训练期为90天。要检测每周的异常情况，训练期为32周。”

异常检测的挑战

1.大部分情况下是无监督学习，没有标签信息可以使用

2.数据是极端不平衡的（异常点仅占总体数据的一小部分），建模难度大

3.检测方法往往涉及到密度估计，需要进行大量的距离/相似度计算，运算开销大

4.在实际场景中往往需要实时检测，这比离线检测的技术难度更高

5.在实际场景中，我们常常需要同时处理很多案例，运算开销大

6.解释性比较差，我们很难给出异常检测的原因，尤其是在高维数据上。但业务方需要了解异常成因

7.在实际场景中，我们往往有一些检测的历史规则，如何与学习模型进行整合

异常检测工具

Python：

1.PyOD：超过30种算法，从经典模型到深度学习模型一应俱全，和sklearn的用法一致

2.Scikit-Learn：包含了4种常见的算法，简单易用

3.TODS：与PyOD类似，包含多种时间序列上的异常检测算法

Java：

1.ELKI:EnvironmentforDevelopingKDD-ApplicationsSupportedbyIndex-Structures

2.RapidMiner异常检测扩展

R：

1.outlierspackage

2.AnomalyDetection

用10行Python代实行异常检测：

详细介绍：https://zhuanlan.zhihu.com/p/58313521

异常检测算法

异常检测算法可以大致被分为：

1.线性模型（LinearModel）：PCA

2.基于相似度的度量的算法（Proximity-basedModel）：kNN,LOF，HBOS

3.基于概率的算法（ProbabilisticModel）：COPOD

4.集成检测算法（EnsembleModel）：孤立森林（IsolationForest），XGBOD

5.神经网络算法（NeuralNetworks）：自编码器（AutoEncoder）

评估方法也不能简单用准确度（accuracy），因为数据的极端不平衡

1.ROC-AUC曲线

2.Precision@Rankk：topk的精准

3.AveragePrecision：平均精准度

主流模型介绍：

如何选择和合并模型

异常检测实践中的技巧

异常检测落地中的考量

1.不要尝试一步到位用机器学习模型来代替传统模型

2.在理想情况下，应该尝试合并机器学习模型和基于规则的模型

3.可以尝试用已有的规则模型去解释异常检测模型

异常检测研究方向

- 推荐阅读-

深度学习系列

1、一文概览神经网络模型
2、一文搞定深度学习建模预测全流程(Python)
3、一文浅谈深度学习泛化能力
4、一文弄懂CNN及图像识别(Python)

机器学习系列

1、一文全览机器学习建模流程（Python代码）
2、一文解决样本不均衡（全）
3、一文速览机器学习的类别（Python代码）
4、Python特征选择(全)

文末，粉丝福利来了！！关注【算法进阶】 👇

后台回复【课程】，即可免费领取Python|机器学习|AI 精品课程大全

异常检测算法应用与实践_CMU赵越