我正在使用隔离森林算法对时间序列数据进行无监督异常检测任务。我正在用 Python 开发它，更详细地使用scikit-learn.
我找到了很多这方面的例子，但不是很清楚，在 IsolationForest 的实例化过程中如何设置污染参数。
查看文档，污染是
数据集的污染量，即数据集中异常值的比例。
我应该使用一些统计技术来确定这个百分比吗？
隔离林 sklearn 污染参数
数据挖掘
Python
scikit-学习
无监督学习
异常检测
离群值
2021-09-27 12:10:04
3个回答
我认为答案是“视情况而定”。contamination当评分数据点应被视为异常值时，该参数仅控制决策函数的阈值。它对模型本身没有影响。
根据您的应用，使用一些统计分析来粗略估计污染可能是有意义的。（如果您可以更具体地缩小范围，那么您将不需要隔离林......）
通常，我会说，这是由一些商业预期决定的。诸如“我们希望看到与报告 x 率的竞争对手相似的比率”。
或者您希望数据集中有一定数量的异常值。然后，您可以使用原始分数找到一个阈值，为您提供该数字，并contamination在将模型应用于新数据时回顾性设置参数。
该参数contamination是数据集中异常值的（疑似）“份额”。考虑这个例子：
from sklearn.ensemble import IsolationForest
x = [[-1], [2], [3], [5], [7], [10], [12], [20], [30], [100]]
IsolationForestwith将contamination=0.1识别“前 10”% 的异常值。
clf = IsolationForest(contamination=0.1).fit(x)
clf.predict(x)
> [ 1 1 1 1 1 1 1 1 1 -1]
-1此处表示“异常值” 。
设置contamination=0.2会产生被识别为异常值的“十分之二”的值。
clf = IsolationForest(contamination=0.2).fit(x)
clf.predict(x)
> [1 1 1 1 1 1 1 1 -1 -1]
该参数contamination通常需要调整（或者需要做出假设）。调整后，它通常会设置为优化顶级估计器的某些目标的值（在使用 删除异常值之后IsolationForest）。
然后，我用预测结果掩盖了我的数据，将错误恢复归为零；通过计算零点，我可以估计污染。