前言

好久沒講算法了，今天分享一個異常點檢測算法Isolation Forest。之前也是沒聽說過這個算法，中文名叫孤立森林，聽客戶講了就順便查了下這個算法的論文，感覺還是非常有用滴。

論文地址:http://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/icdm08b.pdf

異常檢測的概念

首先聊下什么是異常檢測，異常檢測就是發現一堆數據中的異常點?？梢詰玫胶芏囝I域，比如：

• 噪聲數據的排查

• 新的天體的發現

• 異常的網絡攻擊的發現

• 異常的信用卡購物記錄的發現

異常點在數據分析領域非常有用途，目前常用的異常點檢測有以下幾種：

基于距離的異常檢測：遍歷所有的數據點之間的距離，與大部分數據的距離都比較遠的點，就是異常點。這么算的結果比較準，但是基于距離的計算復雜度高，計算開銷大。

基于密度的異常點檢測：基于密度也比較好理解，就是normal數據一定是處于密度集中的區域，anormal數據一定是在相對稀疏的領域。同樣有計算開銷的問題，密度本質上也是一種距離計算。

Isolation Forest算法，本質上是一種平面切分的理念，計算成本比較小，下面我們詳細介紹下。

Isolation Forest

理解它概念可能需要一些空間幾何的背景，我們可以想象所有的數據點都是在一個n維空間分布的，n取決于數據的字段個數，理論上可以通過平面切分的方式將任意一個點與其它點隔離開。

Isolation Forest的思路就是，如果是normal數據，你需要更多地切割平面才能區分這條數據。如果是anormal數據，就可以用較少的平面切割。如下圖所示：

如果要區分

• （a）圖中的點，這個點顯然是個normal數據，需要非常多的切割平面，
• （b）中的anormal數據需要的切割面就比較少。

于是基于這樣的理論，需要一種數學模型來表示切割平面個數以及數據的關系，二叉樹就是一種合適的方式。

可以用樹的深度表示切割平面數，每條數據對應二叉樹中的一個節點。數據的切割面越多，數據在二叉樹中的縱深越深。

這樣建模有一個很大的好處，如果目的是找出異常點，那么不需要每一個二叉樹都完整創建，也就是不需要每次都遍歷所有數據，因為要找的異常點是每棵樹比較靠近父節點的節點，非常的節約計算資源。

ok~關于Isolation Forest就介紹這么多，希望對大家有幫助，提前預祝大家十一玩的愉快。

總結

以上是生活随笔為你收集整理的白话异常检测算法Isolation Forest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。