《数据科学：R语言实战》一1.2 异常检测

本节书摘来自异步社区《数据科学：R语言实战》一书中的第1章，第1.2节，作者 【美】Dan Toomey（丹·图米），更多章节内容可以访问云栖社区“异步社区”公众号查看

1.2　异常检测

我们可以使用R编程来检测数据集中的异常。异常检测可用于入侵检测、欺诈检测、系统健康状态等不同领域。在R编程中，这些被称为异常值。R编程允许用多种方法对异常值进行检测：

• 统计测试；
• 基于深度的方法；
• 基于偏差的方法；
• 基于距离的方法；
• 基于密度的方法；
• 高维方法。

1.2.1　显示异常值

R编程存在可以显示异常值的函数：identify (in boxplot)。

boxplot函数生成了一个盒须图（请看下图）。boxplot函数有若干图形选项，比如此示例，我们无需进行任何设置。

identify函数是便于标记散点图中点的方法。在R编程中，箱线图是散点图的一种。

1．示例1
在此示例中，我们需要生成100个随机数，然后将盒中的点绘制成图。

然后，我们用第一个异常值的标识符来对其进行标记：

> y <- rnorm(100)
> boxplot(y)
> identify(rep(1, length(y)), y, labels = seq_along(y))

注意图中接近异常值的0。

2．示例2
boxplot函数同样也会自动计算数据集的异常值。

首先，我们会生成100个随机数（注意：此数据是随机生成的，所以结果可能不同）：

> x <- rnorm(100)

可通过使用下列代码查看摘要信息：

> summary(x)
    Min.    1st Qu.    Median      Mean   3rd Qu.    Max.
-2.12000    -0.74790  -0.20060 -0.01711  0.49930  2.43200

现在，我们可以通过使用下列代码显示异常值：

> boxplot.stats(x)$out
[1] 2.420850 2.432033

下列代码会用图表表示数据集，并且突出显示异常值：

> boxplot(x)
..\16-0708 图\0860OS_01_11.png

注意图中接近异常值的0。
我们可以通过使用汽车的内置数据生成含有更常见数据的箱线图，这些数据与异常值存在相同的问题，如下所示：

boxplot(mpg～cyl,data=mtcars, xlab="Cylinders", ylab="MPG")

3．另一个有关异常检测的示例
当有两个维度时，我们同样也可以使用箱线图的异常值检测。注意：我们通过使用x和y中异常值的并集而非交集解决问题。此示例就是要显示这样的点。代码如下所示：

> x <- rnorm(1000)
> y <- rnorm(1000)
> f <- data.frame(x,y)
> a <- boxplot.stats(x)$out
> b <- boxplot.stats(y)$out
> list <- union(a,b)
> plot(f)
> px <- f[f$x %in% a,]
> py <- f[f$y %in% b,]
> p <- rbind(px,py)
> par(new=TRUE)
> plot(p$x, p$y,cex=2,col=2)
C:\Users\LL\Desktop\43590\image13.png

虽然R确实按照我们的要求去做了，但是此图看起来不对。我们完全是在编造数据，在真正的use case中，需要利用专业知识以便确定这些异常值是否正确。

1.2.2　计算异常

考虑到构成异常的多样性，R编程带有可以让您完全控制异常的机制：编写能够用于做决策的函数。

1．用法
我们可使用name函数创建异常，如下所示：

name <- function(parameters,…) {
  # determine what constitutes an anomaly
  return(df)
}

这里，参数是我们需要在函数中使用的数值。假设我们将函数返回为数据框。利用此函数可以完成任何工作。

2．示例1
我们会在此示例中使用iris数据，如下所示：

> data <- read.csv("http://archive.ics.uci.edu/ml/machine-learningdatabases/
iris/iris.data")

如果我们决定当萼片低于4.5或高于7.5时存在异常，就使用下列函数：

> outliers <- function(data, low, high) {
> outs <- subset(data, data$X5.1 < low | data$X5.1 > high)
> return(outs)
>}

然后，我们会得出下列输出数据：

> outliers(data, 4.5, 7.5)
     X5.1    X3.5     X1.4     X0.2         Iris.setosa
8    4.4      2.9      1.4      0.2         Iris-setosa
13   4.3      3.0      1.1      0.1         Iris-setosa
38   4.4      3.0      1.3      0.2         Iris-setosa
42   4.4      3.2      1.3      0.2         Iris-setosa
105  7.6      3.0      6.6      2.1      Iris-virginica
117  7.7      3.8      6.7      2.2      Iris-virginica
118  7.7      2.6      6.9      2.3      Iris-virginica
122  7.7      2.8      6.7      2.0      Iris-virginica
131  7.9      3.8      6.4      2.0      Iris-virginica
135  7.7      3.0      6.1      2.3      Iris-virginica

为了获得预期的结果，可以通过向函数传送不同的参数值灵活地对准则进行轻微调整。

3．示例2
另一个受欢迎的功能包是DMwR。它包括同样可以用于定位异常值的lofactor函数。通过使用以下指令可对DMwR功能包进行安装：

> install.packages("DMwR")
> library(DMwR)

我们需要从数据上移除“种类”列，原因在于其是根据数据进行分类的。可通过使用以下指令完成移除：

> nospecies <- data[,1:4]

现在，我们确定框中的异常值：

> scores <- lofactor(nospecies, k=3)

然后，我们查看异常值的分布：

> plot(density(scores))

一个兴趣点在于：在若干异常值中（即密度约为4）是否存在非常接近的等式。