局部异常因子异常检测 (LofOutlierBatchOp)

Java 类名：com.alibaba.alink.operator.batch.outlier.LofOutlierBatchOp
Python 类名：LofOutlierBatchOp

功能介绍

根据数据样本的局部异常因子值（Local Outlier Factor, LOF）判断样本是否异常。

算法原理

LOF 是根据样本点间距离关系计算得到的数值，用表示两个样本点的距离。
LOF 的计算过程包含以下几个步骤：

1. 对于样本点 ，找到其最近的 个样本点（不包含自身），称作 的 k-最近邻，记为；其中的距离最大值记为样本点 的 k-距离： ；
2. 对于样本点 的 k-最近邻，计算每个样本点的到达距离（reach-distance）：；
3. 定义样本点 的局部可达性密度（local reachability density, lrd）为： ；
4. 样本点的 的局部异常因子 LOF 可以通过 lrd 来计算：.

需要注意的是，当有大于 个样本点具有完全一样的坐标（特征）时，会导致某些点的 lrd 值计算出现除 0 的情况。此时应该在计算中增加个极小的数值来避免出现这种情况。
在判定采样点是否为异常值。原论文建议取 1.5 为阈值， LOF 值大于 1.5 的可以认为是异常点。当然也可以采用其他阈值或者按一定比例进行判定。

使用方式

在使用组件时，k-最近邻的 值通过参数 numNeighbors 指定，采样点的坐标（特征）可以通过参数 featureCols 或者参数 vectorCol 指定。 通过参数 distanceType
可以指定采样点间的距离计算方式，默认为欧式距离。
在数据量大时，LOF 算法计算速度会比较慢。此时可以通过参数 maxSampleNumPerGroup，将数据分隔为若干组分别进行计算和判断。
在判定采样点是否为异常点时，可以通过设置参数 outlierThreshold 根据阈值判断，也可以根据数异常点数量（参数 maxOutlierNumPerGroup）、比例（参数 maxOutlierRatio）等来判断。

文献索引

LOF: Identifying Density-Based Local Outliers

参数说明

| 名称 | 中文名称 | 描述 | 类型 | 是否必须？ | 取值范围 | 默认值 | | —- | —- | —- | —- | —- | —- | —- |

| predictionCol | 预测结果列名 | 预测结果列名 | String | ✓ | | |

| distanceType | 距离度量方式 | 聚类使用的距离类型 | String | | “EUCLIDEAN”, “COSINE”, “INNERPRODUCT”, “CITYBLOCK”, “JACCARD”, “PEARSON” | “EUCLIDEAN” |

| featureCols | 特征列名数组 | 特征列名数组，默认全选 | String[] | | 所选列类型为 [BIGDECIMAL, BIGINTEGER, BYTE, DOUBLE, FLOAT, INTEGER, LONG, SHORT] | null |

| groupCols | 分组列名数组 | 分组列名，多列，可选，默认不选 | String[] | | | null |

| maxOutlierNumPerGroup | 每组最大异常点数目 | 每组最大异常点数目 | Integer | | | |

| maxOutlierRatio | 最大异常点比例 | 算法检测异常点的最大比例 | Double | | | |

| maxSampleNumPerGroup | 每组最大样本数目 | 每组最大样本数目 | Integer | | | |

| numNeighbors | 相邻点个数 | 构造近邻图使用的相邻点个数 | Integer | | [1, +inf) | 5 |

| outlierThreshold | 异常评分阈值 | 只有评分大于该阈值才会被认为是异常点 | Double | | | |

| predictionDetailCol | 预测详细信息列名 | 预测详细信息列名 | String | | | |

| tensorCol | tensor列 | tensor列 | String | | 所选列类型为 [BOOL_TENSOR, BYTE_TENSOR, DOUBLE_TENSOR, FLOAT_TENSOR, INT_TENSOR, LONG_TENSOR, STRING, STRING_TENSOR, TENSOR, UBYTE_TENSOR] | null |

| vectorCol | 向量列名 | 向量列对应的列名，默认值是null | String | | 所选列类型为 [DENSE_VECTOR, SPARSE_VECTOR, STRING, VECTOR] | null |

| numThreads | 组件多线程线程个数 | 组件多线程线程个数 | Integer | | | 1 |

代码示例

Python 代码

import pandas as pd
df = pd.DataFrame([
[0.73, 0],
[0.24, 0],
[0.63, 0],
[0.55, 0],
[0.73, 0],
[0.41, 0]
])
dataOp = BatchOperator.fromDataframe(df, schemaStr='val double, label int')
outlierOp = LofOutlierBatchOp()\
    .setFeatureCols(["val"])\
    .setOutlierThreshold(3.0)\
    .setPredictionCol("pred")\
    .setPredictionDetailCol("pred_detail")
evalOp = EvalOutlierBatchOp()\
    .setLabelCol("label")\
    .setPredictionDetailCol("pred_detail")\
    .setOutlierValueStrings(["1"])
metrics = dataOp\
    .link(outlierOp)\
    .link(evalOp)\
    .collectMetrics()
print(metrics)

Java 代码

package examples;
import com.alibaba.alink.operator.batch.BatchOperator;
import com.alibaba.alink.operator.batch.evaluation.EvalOutlierBatchOp;
import com.alibaba.alink.operator.batch.outlier.LofOutlierBatchOp;
import com.alibaba.alink.operator.batch.source.MemSourceBatchOp;
import com.alibaba.alink.operator.common.evaluation.OutlierMetrics;
import org.junit.Test;
public class LofOutlierBatchOpTest {
    @Test
    public void testLofOutlierBatchOp() throws Exception {
        BatchOperator <?> data = new MemSourceBatchOp(
            new Object[][] {
                {0.73, 0},
                {0.24, 0},
                {0.63, 0},
                {0.55, 0},
                {0.73, 0},
                {0.41, 0},
            },
            new String[] {"val", "label"});
        BatchOperator <?> outlier = new LofOutlierBatchOp()
            .setFeatureCols("val")
            .setOutlierThreshold(3.0)
            .setPredictionCol("pred")
            .setPredictionDetailCol("pred_detail");
        EvalOutlierBatchOp eval = new EvalOutlierBatchOp()
            .setLabelCol("label")
            .setPredictionDetailCol("pred_detail")
            .setOutlierValueStrings("1");
        OutlierMetrics metrics = data
            .link(outlier)
            .link(eval)
            .collectMetrics();
        System.out.println(metrics);
    }
}

运行结果

-------------------------------- Metrics: --------------------------------
Outlier values: [1]        Normal values: [0]
Auc:NaN    Accuracy:1    Precision:1    Recall:0    F1:0
|Pred\Real|Outlier|Normal|
|---------|-------|------|
|  Outlier|      0|     0|
|   Normal|      0|     6|