6、机器学习在异常检测与裂缝表征中的应用

机器学习在异常检测与裂缝表征中的应用

1. 异常检测技术分析

在数据处理中，异常检测是一项重要任务。有四种无监督异常检测技术（ODT）常被用于分析，分别是隔离森林（IF）、一类支持向量机（OCSVM）、局部异常因子（LOF）和DBSCAN。

1.1 评估指标

为了评估这些技术的性能，使用了多种简单的评估指标，如平衡准确率得分、F1得分、接收者操作特征（ROC）曲线、精确率 - 召回率（PR）曲线以及曲线下面积（AUC）。
- ROC - AUC得分 ：ROC - AUC得分考虑了召回率和特异性，但未考虑精确率。以LOF为例，其ROC - AUC得分显示出一般的性能，但这并不意味着它表现不佳。
- PR - AUC得分 ：PR - AUC得分在考虑精确率的情况下，能更全面地评估模型。LOF的PR - AUC得分很低，这表明大量原本的内点被错误地检测为异常点，其异常检测结果不可信。

1.2 不同技术的性能比较

通过对四个带有异常/内点标签的测井数据集进行比较研究，得到了不同技术在数据集#4上的PR - AUC和ROC - AUC得分，如下表所示：
| 技术 | PR - AUC得分 | ROC - AUC得分 |
| — | — | — |
| 隔离森林 | 0.89 | 0.98 |
| 一类支持向量机 | 0.88 | 0.99 |
| 局部异常因子 | 0.37 | 0.73 |

从表中可以看出，隔离森林和一类支持向量机的表现较好，而局部异常因子的表现较差。