引言

在异常检测领域中，我们常常需要决定新观测点是否属于与现有观测点相同的分布，（则称它们为inlier),或被认为是不同的(outlier).
在这里，必须做出两个重要的区别：

异常值检测：outlier detection
训练数据包含异常值，这些异常值被定义为远离其他异常值的观察值，因此，异常值估计器试图训练数据中最集中区域。忽略不正常观察。
新颖点检测
训练数据不受异常值的污染，我们有兴趣检测新观测是否是异常值，这种情况下，异常值也被称为新颖点。

异常值检测和新颖性检测都属于异常检测，都是用来检测异常的，不常见一些观察值。
异常值检测是一种无监督的方法，新颖点检测是一种半监督的异常检测方法。在异常值检测情况下，异常值不能形成密集的簇，因为异常值估计器假设异常值总是位于低密度区域。相反，在新颖检测背景下，新颖点可以形成密集的簇，只要它们处于训练数据的低密度区域中。
SKlearn框架提出了一套机器学习工具，可用于新颖性检测和异常值检测，这个策略通过从数据中以无人监督的方法学习对象来实现的。

estimator.fit(X_train)

新的观测值可以用如下的方法做预测，或判断。

estimator.predict(X_test)

这里，正常的点（内部点，inliers)的标签是1，异常点是-1.预测方法利用估计器计算原始评分函数的阈值，可以通过scores-samples方法访问该评分函数，而阈值可以通过contamination参数来控制。

decision_function方法也可以从评分函数中定义，负值是异常值，非负值是内部点：

estimator.decision_function(X_test)

异常值检测（Outlier Detection)

下图是sklearn中离群点检测算法的比较，局部异常因子（LOF）不现时黑色决策边界，因为当用于异常值检测时，其没有predict方法用于新数据。
在这里插入图片描述
ensemble.IsolationForest（孤立森林）和neighbors.LocalOutlierFactor（局部异常因子）在这里的数据集上表现得相当好。已知svm.OneClassSVM对异常值敏感，因此对异常值检测的效果不佳。最后，covariance.EllipticEnvelope假设数据是高斯数并学习椭圆。

新颖性检测

新颖性检测一般是这样一种场景：考虑具有p维特征的、具有相同分布的n个观察值构成的数据集。现在考虑我们再向该数据集添加一个新的观察值。若新观察值与其他观察值的结果有不同，我们可以怀疑它是否regular，即它是不是来自同一个分布。或者恰恰相反，若它另与其他值非常相似，我们无法将其与原始观察值区分开来。这是新颖性检测工具和方法所解决的问题。
一般来说，新颖点检测将学习一个粗略的边界，界定初始观测分布的轮廓，绘制于p维空间空间中。然后，如果新来的观察值位于边界划分的子空间内，则认为它们来自与初始观测相同的种类。否则，如果他们位于边境之外，我们可以说他们是不正常的。
One-Class SVM是一种新颖性检测的手段，在sklearn框架下，它可以从svm模块中调用到（svm.OneClassSVM）。它需要选择内核和标量参数来定义边界。通常选择RBF内核，尽管没有确切的公式或算法来设置其带宽参数。这是scikit-learn实现中的默认值。ν参数，也称为one-class SVM的边界，对应于在边界外发现新的但有规律的观察的概率。

sklearn.svm.OneClassSVM

class sklearn.svm.OneClassSVM(kernel=’rbf’, degree=3, gamma=’auto_deprecated’, coef0=0.0, tol=0.001, nu=0.5, shrinking=True, cache_size=200, verbose=False, max_iter=-1, random_state=None)[source]

一种用于异常检测的无监督方法。
其参数的具体含义请查看官方使用文档：
在这里插入图片描述
它的属性有：

最常用的两个方法：

训练和预测
在这里插入图片描述

离群点检测

离群点检测：在很多领域中具有广泛的应用，离群点检测的算法也各种各样，各种类型各种算法难以计数，我们研究是提出新的效果更好的离群点检测方法。（模型）
离群点检测，整体我认为包含有3部分，分别是**：数据集、模型、结果**。

数据集

离群点检测所用的数据集一般包含有合成数据集与真实数据集。那么我们从相对初始的数据集开始进行处理，一步步进行介绍。

对数据处理，我认为基本包含以下几个过程：

对数据集中缺失数据的处理
特征编码
正则化、特征缩放、标准化等。
PCA降维，看看数据的样子，重要特征分析。
对数据集中的特征进行分析，构建相关系数矩阵，绘制heatmap图。

数据集中缺失数据的处理

现实生活中，收集到的原始数据一定经常存在缺失值的现象，部分UCI数据集上公开的数据也存在缺失，针对这个现象，在机器学习领域，我们一般的操作是用均值填补缺失值，换言之，如果矩阵第 $i$ 行第 $j$ 列缺失了某个值，那么我们就用第 $j$ 列的平均值去填补这个缺失值，据我了解，在实际应用中，还有用众数、中位数等方式去填补，但很显然，没有人用最大值和最小值等极端的方式去填补。

特征编码

针对现实世界中的各种现象，为了能将其进行计算，我们通常要用到特征编码技术。比如羊，狗等，收集到的数据可能在某一列，它的值是羊狗之类的文字，这种我们无法直接进行计算，需要有某种方式能将其转换成实数。一个很自然的想法是，用1表示羊，用2表示狗，等等。但是，这种方式存在一个问题，什么问题呢？这样子的话，就默认狗比羊大，它们之间这种表示方式的话，就存在了顺序关系，但其实应该是没有顺序关系的。那用什么方式呢？one-hot编码。

one-hot编码是一种很常见的特征编码方式，还以上段中的羊、狗的方式举例说明，因为我们有两个类（羊、狗）那么，我们可以用10.01的二进制方式来表示，这样两个样本之间的距离是1 ，不存在谁比谁更大更好的关系。
除了one-hot编码之外，还有虚拟编码、效果编码、特征散列化、分箱计数等方法。后续用到什么编码技术，然后学习什么编码技术，全部都将其搞定都行啦的样子与打算。