该文档涉及的组件

    局部异常因子异常检测 (LofOutlierStreamOp)

    Java 类名:com.alibaba.alink.operator.stream.outlier.LofOutlierStreamOp

    Python 类名:LofOutlierStreamOp

    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$d(\cdot, \cdot)$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 $p$,找到其最近的 $k$ 个样本点(不包含自身),称作 $p$ 的 k-最近邻,记为$N_p$;其中的距离最大值记为样本点 $p$ 的 k-距离: $\textrm{k-distance}(p)=\max_{o\in
      N_p}d(p, o)$;
    2. 对于样本点 $p$ 的 k-最近邻,计算每个样本点的到达距离(reach-distance):$\textrm{reach}(p, o)=\max(\textrm{k-distance}(p),d(p, o))
      $;
    3. 定义样本点 $p$ 的局部可达性密度(local reachability density, lrd)为: $\textrm{lrd}_p = 1/(\sum_{o\in N_p} \textrm{reach}(p, o)
      /|N_p|)$;
    4. 样本点的 $p$ 的局部异常因子 LOF 可以通过 lrd 来计算:$\textrm{lof}_p = \sum_{o\in N_p}\frac{\textrm{lrd}_o}{\textrm{lrd}_p} / |N_p|$.

    需要注意的是,当有大于 $k$ 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 $k$ 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
    numNeighbors 相邻点个数 构造近邻图使用的相邻点个数 Integer x >= 1 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
    precedingRows 数据窗口大小 数据窗口大小 Integer null
    precedingTime 时间窗口大小 时间窗口大小 String null
    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
    timeCol 时间戳列(TimeStamp) 时间戳列(TimeStamp) String 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