我使用以下简单的IsolationForest算法来检测 20K
样本和 16
特征的给定数据集 X
的异常值,我运行以下
train_X, tesy_X, train_y, test_y = train_test_split(X, y, train_size=.8)
clf = IsolationForest()
clf.fit(X) # Notice I am using the entire dataset X when fitting!!
print (clf.predict(X))
我得到结果:
[ 1 1 1 -1 ... 1 1 1 -1 1]
这个问题是:在拟合IsolationForest
时使用整个数据集X
或仅使用train_X
在逻辑上是否正确?
最佳答案
是的,最终在整个数据集上进行训练在逻辑上是正确的。
考虑到这一点,您可以根据训练集的性能来衡量测试集的性能。这可以告诉您测试集是否来自与训练集相似的分布。
如果测试集的得分与训练集相比异常,那么您可以预期 future 的数据会相似。在这种情况下,我需要更多数据来更全面地了解什么是“正常”。
如果测试集的得分与训练集的得分相似,我会对在所有数据上训练的最终隔离森林感到更加满意。
也许你可以使用 sklearn TimeSeriesSplit以这种方式进行简历来了解有多少数据足以解决您的问题?
由于这是异常检测器未标记的数据,因此定义“正常”时数据越多越好。
关于machine-learning - 使用 IsolationForest 检测高维数据集异常值的正确方法,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/47361620/