獨家 | 在Python中使用廣義極端學生化偏差(GESD)進行異常檢測
作者:Shaleen Swarup
翻譯:歐陽錦
校對:王可汗
本文從理論和實踐角度介紹了使用廣義極端學生化偏差(GESD)進行異常檢測的方法,展示了Python代碼示例和相關(guān)源碼。
關(guān)鍵字:Python 異常值檢測 ESD
異常檢測在生活中起著非常重要的作用。通常,異常數(shù)據(jù)可能與某種問題或罕見事件有關(guān),例如 ****欺詐、醫(yī)療問題、結(jié)構(gòu)缺陷、設(shè)備故障等。這種聯(lián)系使得能夠挑選出哪些數(shù)據(jù)點可以被視為異常值是非常有趣的,因為從商業(yè)角度識別這些事件通常是十分有趣的事情。
此外,許多統(tǒng)計方法對異常值的存在很敏感。例如,平均值和標準差的計算可能會被單個嚴重不準確的數(shù)據(jù)點所影響。檢查異常值應該是任何數(shù)據(jù)分析的常規(guī)部分,并且應該檢查潛在的異常值以查看它們是否可能是錯誤的數(shù)據(jù)。
什么是異常值檢測
任何發(fā)現(xiàn)數(shù)據(jù)集異常值的過程都可以被稱為異常檢測;也就是檢測那些不合群的事物。這些異??赡苁钱惓5木W(wǎng)絡(luò)流量,fritz上的一個傳感器,或者只是分析前識別要清理的數(shù)據(jù)。
清理的數(shù)據(jù)
https://www.bmc.com/blogs/data-normalization/
基于不同方案或方法的多種技術(shù)可以用來識別異常。例如,圖形的方法(箱線圖、散點圖);基于距離的方案(最近鄰算法、聚類算法);統(tǒng)計方法(GESD、基于四分位數(shù)的技術(shù))等等。每種方案都有其優(yōu)缺點,其效果都取決于實際用例。
在本文中,我們將重點關(guān)注GESD(廣義極端學生化偏差)并在Python中實現(xiàn)一個簡單的示例以更好地了解它的原理。在開始之前,我想說明,這篇文章深受我的探索性數(shù)據(jù)分析教授Edward McFowland和Bhavesh Bhatt在YouTube上的機器學習和統(tǒng)計教程的講座的啟發(fā)。
機器學習和統(tǒng)計教程
https://www.youtube.com/channel/UC8ofcOdHNINiPrBA9D59Vaw
什么是廣義極端學生化偏差(Generalized Extreme Studentized Deviate)
GESD是一種簡單的統(tǒng)計方法,用于檢測遵循近似正態(tài)分布的單變量數(shù)據(jù)集中的一個或多個異常值。統(tǒng)計方法假設(shè)常規(guī)數(shù)據(jù)遵循某種統(tǒng)計模型(或分布),而不遵循模型(或分布)的數(shù)據(jù)則是異常值。
GESD克服了Grubbs檢驗和Tietjen-Moore檢驗的主要限制:即必須明確確定疑似異常值的數(shù)量k。如果沒有正確指定k,則可能會擾亂這些測試的結(jié)論。而GESD測試只要求確定疑似異常值數(shù)量的上限。
給定上限r(nóng),GESD測試基本上執(zhí)行r個單獨的測試:一個異常值的測試,兩個異常值的測試,依此類推直到r個異常值。
GESD測試定義在以下假設(shè)上:
H0:數(shù)據(jù)集中沒有異常值
Ha:數(shù)據(jù)集中最多有r個異常值
GESM的檢驗統(tǒng)計量公式如下:
GESD的檢驗統(tǒng)計量
這里,x_bar和σ分別表示樣本均值和樣本標準差。
在GESD中,我們刪去使得 | xi - x_bar | 最大化的觀測值。然后,用n-1個觀察值重新計算上述統(tǒng)計量。我們重復這個過程,直到r個觀測值被移除。我們由此得到r統(tǒng)計量R1, R2 ……, Rr。通過代碼示例,這個過程將變得更加清晰。
對應于r檢驗統(tǒng)計量,由以下公式計算r的臨界值:
臨界值計算
其中 tp, ν 是具有ν自由度的t分布的100p百分點,并且
t分布
https://www.itl.nist.gov/div898/handbook/eda/section3/eda3664.htm
我們的顯著性水平將用α表示。
異常值的數(shù)量是通過找到能滿足Ri > λi的最大的i來確定的。
Rosner的模擬研究表明,該近似臨界值對于樣本數(shù)量n ≥ 25非常準確,對于n ≥ 15也相當準確。
請注意,盡管GESD本質(zhì)上是依序使用Grubbs測試而實現(xiàn)的,但仍有一些重要區(qū)別:
Grubbs測試
https://www.itl.nist.gov/div898/handbook/eda/section3/eda35h1.htm
GESD測試會根據(jù)被測試的異常值的數(shù)量對臨界值進行適當?shù)恼{(diào)整,而依序使用Grubbs測試的則沒有這樣的調(diào)整。
如果遮蔽效應明顯,Grubbs 測試的依次使用可能會過早停止。
現(xiàn)在再鞏固一下理論部分,在Python中實現(xiàn)GESD以了解它的實際工作原理吧。
首先,模擬我們的數(shù)據(jù)。這里我們創(chuàng)建了0到1之間的100個隨機值。數(shù)據(jù)的散點圖如下所示。
現(xiàn)在,我們特意在數(shù)據(jù)中放入一些異常值進行識別。
有異常值的數(shù)據(jù)
現(xiàn)在我們將創(chuàng)建單獨的函數(shù)來計算檢驗統(tǒng)計量和臨界值。
計算檢驗統(tǒng)計量的函數(shù)如下:
計算臨界值的函數(shù)如下:
下面這個函數(shù)將所有內(nèi)容匯總在一起并執(zhí)行r次以識別異常值的數(shù)量。對于每次迭代,我們使用上面的函數(shù)來計算使得|xi - x_bar| 最大化的檢驗統(tǒng)計量,并計算其相應的臨界值,然后從我們的數(shù)據(jù)中刪除這個觀測值以進行下一次迭代。
在我們的數(shù)據(jù)上以5%的顯著性水平和具有7個異常值上限的情況調(diào)用這個函數(shù)會產(chǎn)生以下結(jié)果:
可以看到一共進行了7次檢驗。異常值的數(shù)量是通過找到滿足Ri > λi的最大的i來確定的。對于此示例,檢驗統(tǒng)計量大于臨界值(在顯著性水平為5%時)的最大異常值數(shù)為3。因此,我們得出結(jié)論,該數(shù)據(jù)集中有3個異常值。
代碼鏈接:
https://gist.github.com/shaleenswarup/77c711ac5bade7c8735fd309d94348ef#file-gistfile1-py
這就是Python中使用GESD進行異常檢測的實現(xiàn)。希望本文對您實現(xiàn)這種在數(shù)據(jù)中查找異常值的簡單而有效的方法有所幫助。想查看更多項目,請查看作者的 Github 個人資料。
作者的 Github 個人資料
https://github.com/shaleenswarup
引用
1. bmc | Anomaly Detection with Machine Learning: An Introduction by Jonathan Johnson
2. Anomaly detection using PCA from datascience904
https://datascience904.wordpress.com/2019/10/14/anomaly-detection-using-pca/
3. Generalized ESD Test for Outliers from Engineering Statistics
https://www.itl.nist.gov/div898/handbook/eda/section3/eda35h3.htm
原文標題:
Anomaly Detection with GESD (Generalized Extreme Studentized Deviate) in Python
原文鏈接:
https://towardsdatascience.com/anomaly-detection-with-generalized-extreme-studentized-deviate-in-python-f350075900e2
*博客內(nèi)容為網(wǎng)友個人發(fā)布,僅代表博主個人觀點,如有侵權(quán)請聯(lián)系工作人員刪除。
電路相關(guān)文章:電路分析基礎(chǔ)
pic相關(guān)文章:pic是什么