基于观测点机制的异常点检测算法

异常点检测是数据挖掘领域的一个重要研究方向,传统的基于近邻和局部异常因子的异常点检测算法存在计算复杂度高和误检率高的缺陷．为解决该缺陷,提出一种基于观测点机制的异常点检测（observation-point mechanism-based outlier detection,OPOD）算法．首先在原始样本空间中随机放置若干观测点,然后计算观测点与样本点之间的距离,将原始数据转换为与观测点相对应的距离数据,再估计距离数据的概率密度函数,进而计算距离数据出现的概率值,最后通过对多个观测点距离数据概率值的融合最终确定原始样本点中的异常点．基于PyCharm平台,采用sklearn. datasets的make＿blobs函数生成仿真数据集,分别测试不同规模和不同维度数据集对OPOD算法性能的影响,并对比了OPOD算法、基于局部异常因子的异常点检测（local outlier factor-based outlier detection,LOFOD）算法和基于近邻的异常点检测（nearest neighbor-based outlier detection,NNOD）算法的运行时间、异常点召回...