数据挖掘导论-ch10.pptVIP

数据挖掘导论 * * 数据挖掘 异常检测 第十章 数据挖掘简介 数据挖掘导论 * * 不规则/异常检测 什么是异常/离群值？ 与其余数据相差很大的数据点集 异常/异常值检测问题的变体 给定数据库D，找到具有大于某个阈值t的异常分数的所有数据点x ? D 给定数据库D，找到具有前n个最大异常分数f(x)的所有数据点x ? D 给定包含大部分正常（但未标记）数据点的数据库D和测试点x，计算x相对于D的异常分数 应用： 信用卡欺诈检测，电信欺诈检测，网络入侵检测，故障检测 异常检测的重要性 臭氧消耗历史 1985年，三个研究人员（Farman，Gardinar和Shanklin）对英国南极调查收集的数据感到困惑，表明南极洲的臭氧水平比正常水平下降了10％ 为什么Nimbus 7卫星（其上有用于记录臭氧水平的仪器）不记录类似的低臭氧浓度？ 由卫星记录的臭氧浓度如此之低，他们被计算机程序作为异常值处理并丢弃！ Sources:  .au/ozone.html  /ozone/science/hole/size.html 异常检测 挑战 数据中有多少离群值？ 方法是无人监督的 验证可能相当具有挑战性（就像聚类） 在大海里捞针查找 工作假设： 与数据中的“异常”观察（异常值/异常）相比，存在显着更多的“正常”观察结果 异常检测方案 一般步骤 构建“正常”行为的配置文件 配置文件可以是总体人口的模式或摘要统计 使用“正常”配置文件检测异常 异常是其特征与正常特征明显不同的观察结果 异常检测？方案的类型 图形和统计 基于距离 基于模型 图形方法 箱形图(1-D),散点图(2-D),自旋图(3-D) 缺点 耗时的 主观 凸体船体法 极值点被假定为异常值 使用凸包方法来检测极值 如果异常值出现在数据的中间怎么办？ 统计方法 假设描述数据分布的参数模型（例如，正态分布） 应用取决于的统计测试 数据分布 分布参数（例如，平均值，方差） 预期异常值的数量（置信限制） 格鲁布斯测试 检测单变量数据中的异常值 假设数据来自正态分布 一次检测一个异常值，删除异常值，然后重复 H0: 数据中没有异常值 HA: 至少有一个离群值 Grubbs’ 检验统计量： 拒绝H0如果： 基于统计的似然方法 假定数据集D包含来自两个概率分布的混合的样本： M (多数分布) A (异常分布) 一般方法： 最初，假设所有数据点属于M 令Lt(D)是D在时间t的对数似然性 对于属于M的每个点xt ，将其移动到A 令Lt+1 (D)为新的对数似然。 计算差值， ? = Lt(D) – Lt+1 (D) 如果 ? c （某些阈值），则xt被声明为异常，并从M永久移动到A 基于统计的似然方法 数据分布，D = (1 – ?) M + ? A M 是从数据估计的概率分布 可以基于任何建模方法（朴素贝叶斯，最大熵等） 最初假设A是均匀分布 在时间t的似然性： 统计方法的局限性 大多数测试是针对单个属性的 在许多情况下，数据分布可能不是已知的 对于高维数据，可能难以估计真实分布 基于距离的方法 数据表示为特征向量 三大方法 基于最近邻 基于密度 基于集群 最近邻法 方法： 计算每对数据点之间的距离 有各种方法来定义异常值： 在距离D内具有少于p个相邻点的数据点 距第k个最近邻的距离最大的前n个数据点 与k个最近邻居的平均距离最大的前n个数据点 低维投影中的离群值 在高维空间中，数据稀疏，接近度概念变得无意义 从基于接近度的定义的角度来看，每一点都是一个几乎同样好的异常值 低维投影方法 如果在一些较低维投影中，点是异常值，则其存在于异常低密度的局部区域中 低维投影中的离群值 将每个属性划分为?个等深度区间 每个区间包含记录的分数f = 1/? 考虑通过从k个不同维度中选择网格范围创建的k维多维数据集 如果属性是独立的，我们期望区域包含记录的分数 fk 如果有N个点，我们可以测量立方体D的稀疏度： 负稀疏性表示立方体包含的点数比预期的少 示例 N=100, ? = 5, f = 1/5 = 0.2, N ? f2 = 4 基于密度： LOF方法 对于每个点，计算其局部邻域的密度 计算样本p的局部离群值因子(LOF) ，作为样本p的密度与其最近邻的密度的比率的平均值 异常值是具有最大LOF值的点 p2 ?