【技术实现步骤摘要】
异常点检测模型验证方法、装置、计算机设备及存储介质
本专利技术涉及智能决策
,尤其涉及一种异常点检测模型验证方法、装置、计算机设备及存储介质。
技术介绍
异常值分析是检验数据是否有录入错误以及含有不合常理的数据的过程,忽视异常值的存在是十分不利的,不加剔除地把异常值包括进数据的计算分析过程中,对结果会产生不良影响。异常值分析常用的是无监督异常检测模型,而对于无监督异常检测模型的输出结果,往往需要从现实中判断该模型分类的合理性。现有最常用的方法是专家法,即请教相关的专家以其业务知识,判断模型分类是否合理,这就导致判断成本高,而且效率低下。
技术实现思路
本专利技术实施例提供了一种异常点检测模型验证方法、装置、计算机设备及存储介质,旨在解决现有技术中对于无监督异常检测模型的输出结果通过相关的专家以其业务知识,判断模型分类是否合理,这就导致判断成本高,而且效率低下的问题。第一方面,本专利技术实施例提供了一种异常点检测模型验证方法,其包括:接收待分类样本,根据预设的当前异常点比例及所述待分类样本构建用于异常点检测的孤立森林模型;将所述待分类样本根据所述孤立森林模型及所述当前异常点比例进行分类,得到分类结果;其中,所述分类结果包括正常数据点和异常数据点;根据预先设置的数据属性分类策略,将所述分类结果进行分类,得到属性分类结果;获取所述属性分类结果中所包括的每一属性分类结果,判断每一属性分类结果中正常点数据对应选定属性的第一属性平均值是否均小于异常点数据对应选定属性的第二属性平均值;以及若每一属性分类结果中所述第一属性平均值均小于所述第二属性平均值,将所述孤立森林模 ...
【技术保护点】
1.一种异常点检测模型验证方法,其特征在于,包括:接收待分类样本,根据预设的当前异常点比例及所述待分类样本构建用于异常点检测的孤立森林模型;将所述待分类样本根据所述孤立森林模型及所述当前异常点比例进行分类,得到分类结果;其中,所述分类结果包括正常数据点和异常数据点;根据预先设置的数据属性分类策略,将所述分类结果进行分类,得到属性分类结果;获取所述属性分类结果中所包括的每一属性分类结果,判断每一属性分类结果中正常点数据对应选定属性的第一属性平均值是否均小于异常点数据对应选定属性的第二属性平均值;以及若每一属性分类结果中所述第一属性平均值均小于所述第二属性平均值,将所述孤立森林模型增加一个合理模型标签。
【技术特征摘要】
1.一种异常点检测模型验证方法,其特征在于,包括:接收待分类样本,根据预设的当前异常点比例及所述待分类样本构建用于异常点检测的孤立森林模型;将所述待分类样本根据所述孤立森林模型及所述当前异常点比例进行分类,得到分类结果;其中,所述分类结果包括正常数据点和异常数据点;根据预先设置的数据属性分类策略,将所述分类结果进行分类,得到属性分类结果;获取所述属性分类结果中所包括的每一属性分类结果,判断每一属性分类结果中正常点数据对应选定属性的第一属性平均值是否均小于异常点数据对应选定属性的第二属性平均值;以及若每一属性分类结果中所述第一属性平均值均小于所述第二属性平均值,将所述孤立森林模型增加一个合理模型标签。2.根据权利要求1所述的异常点检测模型验证方法,其特征在于,所述根据预先设置的数据属性分类策略,将所述分类结果进行分类,得到属性分类结果之前,还包括:获取所述分类结果中正常类别的正常点中心;获取所述分类结果中异常类别的每一数据点与所述正常点中心的平均欧式距离,以作为当前状态平均欧式距离;通过所述当前异常点比例减去预设的步长,以更新当前异常点比例;将所述待分类样本根据所述孤立森林模型及当前异常点比例进行分类,得到当前异常类别的数据点,获取当前异常类别的每一数据点与所述正常点中心的平均欧式距离以作为下一状态平均欧式距离;通过下一状态平均欧式距离与当前状态平均欧式距离之差除以所述步长,得到平均欧式距离变动幅度;若所述平均欧式距离变动幅度超出预设的变动幅度阈值,将当前异常点比例加上步长作为最优异常点比例,通过所述最优异常点比例以更新当前异常点比例;将所述待分类样本根据所述孤立森林模型及所述最优异常点比例进行分类,得到分类结果。3.根据权利要求1所述的异常点检测模型验证方法,其特征在于,所述根据预设的当前异常点比例及所述待分类样本构建用于异常点检测的孤立森林模型,包括:从所述待分类样本中随机获取数据属性,及由数据属性和当前异常点比例所确定的分裂值;根据所述数据属性及所述分裂值将所述待分类样本进行划分,得到多个孤立树,由多个孤立树组合得到用于异常点检测的孤立森林模型。4.根据权利要求1所述的异常点检测模型验证方法,其特征在于,所述根据预先设置的数据属性分类策略,将所述分类结果进行分类,得到属性分类结果,包括:根据所述数据属性分类策略判断每一正常数据点所属的分组,以得到正常类别属性分类结果;根据所述数据属性分类策略判断每一异常数据点所属的分组,以得到异常类别属性分类结果;由所述正常类别属性分类结果及所述异常类别属性分类结果组成所述属性分类结果。5.根据权利要求2所述的异常点检测模型验证方法,其特征在于,所述获取所述属性分类结果中所包括的每一属性分类结果,判断每一属性分类结果中正常点数据对应选定属性的第一属性平均值是否均小于异常点数据对应选定属性的第二属性平均值之后,还包括:若每一属性分类结果中所述第一属性平均值有大...
【专利技术属性】
技术研发人员:杨志鸿,徐亮,阮晓雯,
申请(专利权)人:平安科技深圳有限公司,
类型:发明
国别省市:广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。