不存在普遍意义上的最优模型，不过有些模型的表现一直不错，建议优先考虑。对于大数据量和高纬度的数据集，Isolation Forest算法的表现比较好。小数据集上，简单算法KNN和MCD的表现不错。

模型效果和效率往往是对立的，PCA和MCD的理论类似（都是基于协方差），但是前者是后者的“简洁版”，前者速度更快，但是后者效果更好。

HBOS的计算速度快，但效果不稳定，在特征独立的情况下，可能有奇效。

参考：https://www.zhihu.com/question/280696035

本文基于outlier detection离群点检测 python库对各种离群点检测算法（异常检测）进行汇总，并基于这个开源库的代码，对代码内容，如参数做一个讲解。该库对应的算法讲解和链接。

1.基于线性模型的算法：PCA,MCD,OCSVM
2.基于相似性的算法：LOF, CBLOF, LOCI, HBOS, kNN
3.基于概率的算法：ABOD，FastABOD，SOS
4.基于集群的算法（集成）: Iforest, Feature Bagging, LSCP, XGBOD
5.基于神经网络的算法：AutoEncoder，SO_GAAL，MO_GAAL

•异常种类

1.数据点异常：离群点，异常数据的特征值与正常数据的特征值距离较远。如车在某个时间点的速度、加速度、扭矩、发动机转速、转角加速度等离群距离和超过阈值，则为异常点。

2.上下文异常：时间序列里的异常，该数据本身是正常数据，但在对应的上下文里出现时则是异常数据。如开车门信号在车速为30km/h情况下是异常信号。

•异常点检测的难点

1.数据没有标签，不知道哪些是异常数据哪些是正常数据；或者缺乏异常数据。

2.难以划分异常和正常的边界，正常数据在某些特定场景下也可能是异常数据。

3.数据本身可能存在噪声，导致噪声和异常难以区分。

•异常点检测算法种类

1.无监督算法：数据无标签且正常信号和异常信号混合在一起，适用于异常点是低密度的离群点情况。不属于高密度区域的点被认为是异常点。

2.半监督算法：数据只含有正常信号，离训练数据距离超过一定阈值的点被认为是异常点，即使这些异常点能形成一个高密度区域。

3.监督算法：适用于有正常信号和异常信号，且数据有标签的情况。

 

1. 基于线性模型的方法

1.1 PCA

PCA主成分分析

PCA用于异常检测

PCA是最常见的一种降维方法，它本质上将方差最大的方向（或基于最小投影距离，即样本点投影超平面的距离足够近）作为主要特征，并在各个正交方向上将数据“离相关”。

如下图，PCA也可以类比成神经网络AutoEncoder模型的形式（来自李宏毅PPT），与神经网络不同的是，PCA都是线性变换，即没有激活函数。

异常检测两种思路：

1. 将数据映射到低维特征空间，然后在特征空间不同维度上查看每个数据点跟其它数据的偏差。

2. 将数据映射到低维特征空间，然后由低维特征空间重新映射回原空间，尝试用低维特征重构原始数据，看重构误差的大小。如果一个样本不容易被重构出来，表示这个样本的特征跟整体数据样本的特征不一致，即是异常样本。

参数

这里的PCA基于sklearn的PCA进行了封装，保留了所有的原始参数，并添加了些新参数。

n_components：PCA保留的主成分（特征）数量

n_selected_components（新）: 在保留下来的主成分中被选用计算score的主成分的数量，取值None时=n_components。

contamination（新）：（0，0.5）中的一个float，default=0.1，数据集中离群点的比例，训练时候使用

copy：True/False，True时在复制的副本上进行计算，不会影响原数据；False时，训练过程中训练数据会被降维修改。

whiten：对数据白化与否

svd_solver：指定奇异值分解SVD的方法。

weighted：default=True，在score计算上使用特征值

PCA对象属性

1.2 OCSVM

OCSVM一类支持向量机

OCSVM和SVDD的比较

         目标函数

OCSVM使用于只有正常数据的场景。找到一个参数为w和ρ的超平面分割数据点和原点，超平面离原点距离越大越好，原点在这里被认作是唯一的异常点。

SVDD的思路和OCSVM类似，找到一个“球面”，将所有数据点包含在里面，寻找使“球体”体积最小的中心点a和球体积R^2。

2. 基于距离的方法

2.1 LOF（Local Outlier Factor）

异常点/离群点检测算法——LOF

LOF思想：

通过比较每个点p和其邻域点的密度来判断该点是否为异常点，如果点p的密度越低，越可能被认定是异常点。

密度通过点之间的距离来计算的，点之间距离越远，密度越低，距离越近，密度越高。

2.2 CBLOF(Cluster-Based Local Outlier Factor基于聚类+距离)

2.3 KNN

K近邻距离有多种设置：

1.距离第k近的点的距离

2.距离最近的k个点的平均距离

3.距离最近的k个点中的中间距离

基于集成的方法：Isolation Forest孤立森林

思路：很快被划分到叶子节点的大概率是异常

算法步骤：

1. 从训练数据中随机选择Ψ个点样本点作为subsample，放入树的根节点。

2. 随机指定一个维度（attribute），在当前节点数据中随机产生一个切割点p——切割点产生于当前节点数据中指定维度的最大值和最小值之间。

3. 以此切割点生成了一个超平面，然后将当前节点数据空间划分为2个子空间：把指定维度里小于p的数据放在当前节点的左孩子，把大于等于p的数据放在当前节点的右孩子。

4. 在孩子节点中递归步骤2和3，不断构造新的孩子节点，直到 孩子节点中只有一个数据（无法再继续切割） 或 孩子节点已到达限定高度 。

预测：

对于一个数据样本x，我们将其传入所有的树中，计算x所处的叶子节点的高度平均值，设置一个阈值，高度不够的视为异常。

特点：

•适用于特征值是连续值的任务

•Non-parametric和unsupervised的算法

•由于每次切割是随机的，所以需要用Ensemble的方法来获得收敛值，即需要用多棵二叉树

基于神经网络的算法（准确来说是基于自编码器或生成对抗网络的算法）

基于autoencoder和GAN网络的算法思路和PCA类比的方法一样，先用encoder对数据编码（也相当于一个降维），再使用decoder解码，比较和原始数据的差距。模型训练的方向是越近似原始数据越好。对于异常数据，生成出的结果一般和原始数据差距较大。设置一个合适的阈值即可。

Fully connected AutoEncoder

Outlier Score： Reconstruction Error

SO_GAAL，MO_GAAL     论文：https://arxiv.org/pdf/1809.10816.pdf

原因：有限的异常数据难以提供足够的信息用于划分异常边界。

思路：使用GAN的思想，用Generator生成潜在离群点（异常数据），将噪声和真实数据合在一起，让Discriminator分辨出噪声和真实数据，最后使用Discriminator作为异常检测分类器

SO_GAAL的ROC在iteration=400左右时急速下降，原因是G和D达到了纳什平衡，再往下训练，G会出现mode collapse问题，即生成出的噪声多样性不够，总是生成某种mode的异常点，对于D来说，虽然仍然能够区分real和fake，但是fake提供的信息有限，所以在测试时，D用作outlier detector的性能就会下降。

为了解决一个G可能只能模拟一个mode的问题，

MO_GAAL中创建了k个Generator，将Real data根据D(x)的结果分成k份subsets，G的target设置D(G(x))获得的分数的中位数（每个subset不同），generator_loss为这k个loss的平均数。

虽然整个模型还是会达到nash平衡，但是ROC不再下降，因为多个generator估计了多个不同的mode分布

总结

1.LOF类的算法适用于局部区域空间问题，对于完整区域空间，KNN和Iforest更好。

2.KNN每次运行需要遍历所有数据，所以效率比较低，如果效率要求比较高，用聚类方法更好。

3.传统机器学习算法中Iforest、KNN和OCSVM表现较好，基于深度学习的算法准确率在论文中更好！

4.对于不同种类的数据，没有哪一种算法是最好的，HBOS算法在某些数据集上的表现非常好，且运算速度很快。

5.当数据特征数很多时，如400个特征，只有KNN表现还不错，Iforest表现也不好，因为特征选取的随机性，可能无法覆盖足够多的特征（不绝对）。

6.ABOD综合效果最差，尽量不要用。