背景

异常检测(Anomaly Detection)是一种用于识别不符合预期行为的异常模式的技术，也叫异常分析(Outlier Analysis 或者 Outlier Detection)或者离群值检测，在工业上有非常广泛的应用场景：

• 金融业：从海量数据中找到“欺诈案例”，如信用卡反诈骗，识别虚假信贷

• 网络安全：从流量数据中找到“侵入者”，识别新的网络入侵模式

• 在线零售：从交易数据中发现“恶意买家”，比如恶意刷评等

• 生物基因：从生物数据中检测“病变”或“突变”

异常检测方法在多个领域具有强烈的需求，利用异常检测技术可以被用于机器学习任务中的预处理（Preprocessing），防止因为少量异常点存在而导致的训练或预测失败，也可以应用于优化生产过程及质量控制、故障检测等。

解决方案

针对工业上的异常检测，通过仿真生成的二维数据，建立四种异常检测模型如单类支持向量机、孤立森林、局部异常点检测和椭圆模型拟合，进行了应用并对结果进行了对比。使用几种不同的算法来开发异常检测模型，以预测数据的异常情况。由于提供的数据集没有被标记，所以依赖于统计方法来计算标签，以帮助评估所使用的算法与使用的准确性和敏感性度量。

预期效果

以 make_blobs 生成的具有异常标签的二维数据，基于上述解决方案，分别使用以上四种异常检测的方法进行异常判断，得到模型训练结果。应用训练好的模型，对新数据进行异常判断，结果如下图所示，其中图中蓝色点表示正常数据，绿色点表示异常数据。

对最后检测到的异常结果数做统计，结果如下表所示。原始数据中异常点个数为 45 个，正常点个数为 255 个。从统计结果看到，四个异常检测算法的性能差异不大。但是面对不同的问题，选择不同的模型效果将更好。

| 算法 | 支持向量机 | 独立森林 | 局部异常点监测 | 椭圆模型拟合 | | :------: | :------------: | :----------: | :----------------: | :--------------: | | 异常点 | 46 | 45 | 45 | 45 | | 正常点 | 254 | 255 | 255 | 255 |

在工业领域，相对来说容易得到正常场景下的训练数据，但故障数据可能相当昂贵，或者根本难以获取。如果训练集样本都是正常样本，选择采用 One-Class SVM；如果训练集样本分布为高斯分布，可选择 Robust covariance；如果训练集样本中既有正常样本又包含异常样本，可选择孤立森林或者 LOF。