小洲三流road的博客

{blog framework}feature bagging实例# -*- coding: utf-8 -*-"""Example of using Feature Bagging for outlier detection"""# Author: Yue Zhao <zhaoy@cmu.edu># License: BSD 2 clausefrom __future__ import divisionfrom __future__ import print_functio

基于相似度的异常检测①基于距离度量代表算法：KNN算法（K近邻【在本人的博客OD学习1中有提及】）②基于密度度量代表算法：LOF以及基于lof算法优化的loci等算法以下给出赵越老师的lof算法实例# -*- coding: utf-8 -*-"""Example of using LOF for outlier detection"""# Author: Yue Zhao <zhaoy@cmu.edu># License: BSD 2 clausefrom __futu

PCA实例# -*- coding: utf-8 -*-from __future__ import divisionfrom __future__ import print_functionimport osimport sysimport unittest# noinspection PyProtectedMemberfrom numpy.testing import assert_allclosefrom numpy.testing import assert_array_le.

HBOS是一种单变量方法的组合，不能对特征之间的依赖关系进行建模，但是计算速度较快，对大数据集友好。HBOS的基本假设是数据集的每个维度相互独立。对每个维度进行区间划分，区间的密度越高，异常评分越低。HBOS算法流程为每个数据维度做出数据直方图。对分类数据统计每个值的频数并计算相对频率。对每个维度都计算了一个独立的直方图，其中每个箱子的高度表示密度的估计。然后为了使得最大高度为1（确保每个特征与异常值得分的权重相等），对直方图进行归一化处理。参考代码：from __future__ impo