9、传统机器学习算法中的异常检测：隔离森林与单类支持向量机

传统机器学习算法中的异常检测：隔离森林与单类支持向量机

隔离森林算法

在异常检测领域，隔离森林（Isolation Forest）是一种强大的传统机器学习算法。下面将详细介绍其使用流程和相关要点。

数据准备

首先，我们需要从原始训练数据中创建验证集，同时打印出所有数据划分的形状，以确保数据准备无误。以下是相关操作的流程：
1. 创建验证集：从原始训练数据中划分出一部分作为验证集。
2. 打印数据形状：使用代码打印出训练集、验证集和测试集的形状，确保数据维度正确。

# 示例代码：打印数据划分形状
# 假设已经完成数据划分，分别为 train, val, test
print("Train set shape:", train.shape)
print("Validation set shape:", val.shape)
print("Test set shape:", test.shape)

模型训练与初步评估

使用默认参数实例化隔离森林模型，并进行训练和异常分数预测。通过绘制异常分数的直方图，我们可以直观地观察数据的分布情况。大部分数据为正常数据时，直方图会呈现左偏态，左侧远离主体的小簇数据点很可能是异常值。

# 示例代码：实例化隔离森林模型
from sklearn.ensemble import IsolationForest

model = IsolationForest()

根据直方图