這篇文章主要介紹Python如何實現孤立隨機森林算法，文中介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們一定要看完！

1 簡介

孤立森林（isolation Forest）是一種高效的異常檢測算法，它和隨機森林類似，但每次選擇劃分屬性和劃分點（值）時都是隨機的，而不是根據信息增益或基尼指數來選擇。

2 孤立隨機森林算法

2.1 算法概述

Isolation，意為孤立/隔離，是名詞，其動詞為isolate，forest是森林，合起來就是“孤立森林”了，也有叫“獨異森林”，好像并沒有統一的中文叫法。可能大家都習慣用其英文的名字isolation forest，簡稱iForest 。

iForest算法是由南京大學的周志華和澳大利亞莫納什大學的Fei Tony Liu，Kai Ming Ting等人共同移除，用于挖掘數據，它是適用于連續數據（Continuous numerical data）的異常檢測，將異常定義為“容易被孤立的離群點（more likely to be separated）”——可以理解為分布稀疏且離密度高的群體較遠的點。用統計學來解釋，在數據空間里面，分布稀疏的區域表示數據發生在此區域的概率很低，因此可以認為落在這些區域里的數據是異常的。通常用于網絡安全中的攻擊檢測和流量異常等分析，金融機構則用于挖掘出欺詐行為。對于找出的異常數據，然后要么直接清除異常數據，如數據清理中的去噪數據，要么深入分析異常數據，比如分析攻擊，欺詐的行為特征。

2.2 原理介紹

iForest 屬于Non-parametric和unsupervised的方法，即不用定義數學模型也不需要有標記的訓練。對于如何查找哪些點是否容易被孤立（isolated），iForest使用了一套非常高效的策略。假設我們用一個隨機超平面來切割（split）數據空間（data space），切一次可以生成兩個子空間（詳細拿刀切蛋糕一分為二）。之后我們再繼續用一個隨機超平面來切割每個子空間，循環下去，直到每個子空間里面只有一個數據點為止。直觀上來講，我們可以發現那些密度很高的簇是被切分很多次才會停止切割，但是那些密度很低的點很容易很早就停到一個子空間看了。

iForest 算法得益于隨機森林的思想，與隨機森林由大量決策樹組成一樣，iForest森林也由大量的二叉樹組成，iForest 中的樹叫 isolation tree，簡稱 iTree，iTree 樹和決策樹不太一樣，其構建過程也比決策樹簡單，是一個完全隨機的過程。

假設數據集有 N 條數據，構建一顆 ITree時，從 N條數據中均勻抽樣（一般是無放回抽樣）出 n 個樣本出來，作為這棵樹的訓練樣本。在樣本中，隨機選出一個特征，并在這個特征的所有值范圍內（最小值和最大值之間）隨機選一個值，對樣本進行二叉劃分，將樣本中小于該值的劃分到節點的左邊，大于等于該值的劃分到節點的右邊。由此得到一個分裂條件和左右兩邊的數據集，然后分別在左右兩邊的數據集上重復上面的過程，直到數據集只有一條記錄或者達到了樹的限定高度。

由于異常數據較小且特征值和正常數據差別很大。因此，構建 iTree的時候，異常數據離根更近，而正常數據離根更遠。一顆ITree的結果往往不可信，iForest算法通過多次抽樣，構建多顆二叉樹。最后整合所有樹的結果，并取平均深度作為最終的輸出深度，由此計算數據點的異常分支。

2.3 算法步驟

怎么來切這個數據空間是iForest的設計核心思想，本文僅學習最基本的方法，由于切割是隨機的，所以需要用ensemble的方法來得到一個收斂值（蒙特卡洛方法），即反復從頭開始切，然后平均每次切的結果。IForest由 t個iTree（Isolation Tree）孤立樹組成，每個iTree是一個二叉樹結構，所以下面我們先說一下iTree樹的構建，然后再看iForest樹的構建。

3 參數講解

（1）n_estimators：構建多少個itree，int，optional （default=100）指定該森林中生成的隨機樹數量

（2）max_samples：采樣數，自動是256，int，optional（default='auto）

用來訓練隨機數的樣本數量，即子采樣的大小：

1）如果設置的是一個int常數，那么就會從總樣本 X 拉取 max_samples個樣本生成一棵樹 iTree

2）如果設置的是一個float浮點數，那么就會從總樣本 X 拉取 max_samples*X.shape[0] 個樣本，X.shape[0] 表示總樣本個數

3） 如果設置的是 “auto”，則max_samples=min(256, n_samples)，n_samples即總樣本的數量

如果max_samples 值比提供的總樣本的數量還大的話，所有的樣本都會用來構造數，意思就是沒有采樣了，構造的 n_estimators棵ITree使用的樣本都是一樣的，即所有的樣本。

（3）contamination：c(n)默認是0.1，float in （0， 0.5），optional（default=0.1），取值范圍為（0， 0.5），表示異常數據占給定的數據集的比例，就是數據集中污染的數量，定義該參數值的作用是在決策函數中定義閾值。如果設置為“auto”，則決策函數的閾值就和論文一樣，在版本0.20中有變換：默認值從0.1變為0.22的auto。

（4）max_features：最大特征數，默認為1，int or float，optional，指定從總樣本X中抽取來訓練每棵樹iTree 的屬性的數量，默認只使用一個屬性

如果設置為 int 整數，則抽取 max_features 個屬性

如果是float浮點數，則抽取 max_features *X.shape[1] 個屬性

（5）bootstrap：boolean，optional（default = False），構建Tree時，下次是否替換采樣，為True為替換，則各個樹可放回地對訓練數據進行采樣；為False為不替換，即執行不放回的采樣

（6）n_jobs：int or None, optional （default = None）， 在運行 fit() 和 predict() 函數時并行運行的作業數量。除了在 joblib.parallel_backend 上下文的情況下，None表示為1，設置為 -1 則表示使用所有可以使用的處理器　

（7）behaviour：str，default='old'，決策函數 decision_function 的行為，可以是“old”和‘new’。設置為 behavior='new'將會讓 decision_function 去迎合其它異常檢測算法的API，這在未來將會設置為默認值。正如在 offset_ 屬性文檔中詳細解釋的那樣，decision_function 變得依賴于 contamination 參數，以 0 作為其檢測異常值的自然閾值。

New in version 0.20：behaviour參數添加到了0.20版本中以實現后向兼容

behaviour='old'在0.20版本中以經棄用，在0.22版本中將不能使用

behaviour參數將在0.22版本中棄用，將在0.24版本中移除

（8）random_state：int，RandomState instance or None，optional（default=None）

如果設置為 int 常數，則該 random_state 參數值是用于隨機數生成器的種子

如果設置為RandomState實例，則該 random_state 就是一個隨機數生成器

如果設置為None，則該隨機數生成器就是使用在 np.random中RandomState實例

（9）verbose：int，optional（default=0）控制樹構建過程的冗長性

（10）warm_start：bool，optional（default=False），當設置為TRUE時，重用上一次調用的結果去 fit，添加更多的樹到上一次的森林1集合中；否則就 fit一整個新的森林

4 Python代碼實現

#_*_coding:utf-8_*_

#~~~~歡迎關注公眾號：電力系統與算法之美~~~~~~~·
#~~~~~~~~導入相關庫~~~~~~~~~~~·
importnumpyasnp
importmatplotlib.pyplotasplt
frompylabimport*
importmatplotlib;matplotlib.use('TkAgg')
mpl.rcParams['font.sans-serif']=['SimHei']
mpl.rcParams['axes.unicode_minus']=False
fromsklearn.ensembleimportIsolationForest#孤立隨機森林

rng=np.random.RandomState(42)#該方法為np中的偽隨機數生成方法，其中的42表示種子，只要種子一致產生的偽隨機數序列即為一致。

#~~~~~~~產生訓練數據~~~~~~~~~~
X=0.3*rng.randn(100,2)#randn：標準正態分布；rand的隨機樣本位于[0,1)中
X_train=np.r_[X+2,X-2]
X=0.3*rng.randn(20,2)
X_test=np.r_[X+2,X-2]
X_outliers=rng.uniform(low=-4,high=4,size=(20,2))

#~~~~~~~~~訓練模型~~~~~~~~~~~~·
clf=IsolationForest(max_samples=100,random_state=rng,contamination='auto')
clf.fit(X_train)
y_pred_train=clf.predict(X_train)
y_pred_test=clf.predict(X_outliers)

xx,yy=np.meshgrid(np.linspace(-5,5,50),np.linspace(-5,5,50))
Z=clf.decision_function(np.c_[xx.ravel(),yy.ravel()])
Z=Z.reshape(xx.shape)

#~~~~~~~~~~~~~~~~可視化~~~~~~~~~~~~~~~~~~·
plt.title("孤立隨機森林")
plt.contourf(xx,yy,Z,camp=plt.cm.Blues_r)
b1=plt.scatter(X_train[:,0],X_train[:,1],c='green',
s=20,edgecolor='k')
b2=plt.scatter(X_test[:,0],X_test[:,1],c='white',
s=20,edgecolor='k')
c=plt.scatter(X_outliers[:,0],X_outliers[:,1],c='red',
s=20,edgecolor='k')
plt.axis('tight')
plt.xlim((-5,5))
plt.ylim((-5,5))
plt.legend([b1,b2,c],
["trainingobservations",
"newregularobservations","newabnormalobservations"],
loc="upperleft")
plt.show()

5 結果

總結

以上是生活随笔為你收集整理的Python如何实现孤立随机森林算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。