Detecção de Valores Discrepantes com Algoritmos Scikit-Learn

Introdução

Este laboratório demonstra como usar o Scikit-Learn para realizar a detecção de valores discrepantes em conjuntos de dados clássicos de detecção de anomalias usando os algoritmos de fator de discrepância local (LOF) e floresta de isolamento (IForest). O desempenho dos algoritmos é avaliado em um contexto de detecção de valores discrepantes, e as curvas ROC são usadas para plotar os resultados.

Dicas da Máquina Virtual

Após o término da inicialização da máquina virtual, clique no canto superior esquerdo para mudar para a aba Notebook para acessar o Jupyter Notebook para praticar.

Às vezes, pode ser necessário aguardar alguns segundos para que o Jupyter Notebook termine de carregar. A validação das operações não pode ser automatizada devido a limitações no Jupyter Notebook.

Se você enfrentar problemas durante o aprendizado, sinta-se à vontade para perguntar ao Labby. Forneça feedback após a sessão, e nós resolveremos prontamente o problema para você.

Pré-processamento de Dados

O primeiro passo é pré-processar o conjunto de dados. Neste exemplo, usamos conjuntos de dados do mundo real disponíveis no módulo datasets do Scikit-Learn. O tamanho da amostra de alguns conjuntos de dados é reduzido para acelerar o cálculo. Após o pré-processamento dos dados, as metas dos conjuntos de dados terão duas classes, 0 representando valores internos e 1 representando valores discrepantes. A função preprocess_dataset retorna dados e metas.

import numpy as np
from sklearn.datasets import fetch_kddcup99, fetch_covtype, fetch_openml
from sklearn.preprocessing import LabelBinarizer
import pandas as pd

rng = np.random.RandomState(42)

def preprocess_dataset(dataset_name):
    ## carregamento e vetorização
    print(f"Carregando dados de {dataset_name}")
    if dataset_name in ["http", "smtp", "SA", "SF"]:
        dataset = fetch_kddcup99(subset=dataset_name, percent10=True, random_state=rng)
        X = dataset.data
        y = dataset.target
        lb = LabelBinarizer()

        if dataset_name == "SF":
            idx = rng.choice(X.shape[0], int(X.shape[0] * 0.1), replace=False)
            X = X[idx]  ## reduz o tamanho da amostra
            y = y[idx]
            x1 = lb.fit_transform(X[:, 1].astype(str))
            X = np.c_[X[:, :1], x1, X[:, 2:]]
        elif dataset_name == "SA":
            idx = rng.choice(X.shape[0], int(X.shape[0] * 0.1), replace=False)
            X = X[idx]  ## reduz o tamanho da amostra
            y = y[idx]
            x1 = lb.fit_transform(X[:, 1].astype(str))
            x2 = lb.fit_transform(X[:, 2].astype(str))
            x3 = lb.fit_transform(X[:, 3].astype(str))
            X = np.c_[X[:, :1], x1, x2, x3, X[:, 4:]]
        y = (y != b"normal.").astype(int)
    if dataset_name == "forestcover":
        dataset = fetch_covtype()
        X = dataset.data
        y = dataset.target
        idx = rng.choice(X.shape[0], int(X.shape[0] * 0.1), replace=False)
        X = X[idx]  ## reduz o tamanho da amostra
        y = y[idx]

        ## valores internos são aqueles com atributo 2
        ## valores discrepantes são aqueles com atributo 4
        s = (y == 2) + (y == 4)
        X = X[s, :]
        y = y[s]
        y = (y != 2).astype(int)
    if dataset_name in ["glass", "wdbc", "cardiotocography"]:
        dataset = fetch_openml(
            name=dataset_name, version=1, as_frame=False, parser="pandas"
        )
        X = dataset.data
        y = dataset.target

        if dataset_name == "glass":
            s = y == "tableware"
            y = s.astype(int)
        if dataset_name == "wdbc":
            s = y == "2"
            y = s.astype(int)
            X_mal, y_mal = X[s], y[s]
            X_ben, y_ben = X[~s], y[~s]

            ## amostrado para baixo para 39 pontos (9,8% de valores discrepantes)
            idx = rng.choice(y_mal.shape[0], 39, replace=False)
            X_mal2 = X_mal[idx]
            y_mal2 = y_mal[idx]
            X = np.concatenate((X_ben, X_mal2), axis=0)
            y = np.concatenate((y_ben, y_mal2), axis=0)
        if dataset_name == "cardiotocography":
            s = y == "3"
            y = s.astype(int)
    ## 0 representa valores internos e 1 representa valores discrepantes
    y = pd.Series(y, dtype="category")
    return (X, y)

Função de Predição de Valores Discrepantes

O próximo passo é definir uma função de previsão de valores discrepantes. Neste exemplo, usamos os algoritmos LocalOutlierFactor e IsolationForest. A função compute_prediction retorna a pontuação média de valores discrepantes de X.

from sklearn.neighbors import LocalOutlierFactor
from sklearn.ensemble import IsolationForest

def compute_prediction(X, model_name):
    print(f"Computando previsão de {model_name}...")
    if model_name == "LOF":
        clf = LocalOutlierFactor(n_neighbors=20, contamination="auto")
        clf.fit(X)
        y_pred = clf.negative_outlier_factor_
    if model_name == "IForest":
        clf = IsolationForest(random_state=rng, contamination="auto")
        y_pred = clf.fit(X).decision_function(X)
    return y_pred

Plotar e Interpretar Resultados

O passo final é plotar e interpretar os resultados. O desempenho do algoritmo está relacionado à qualidade da taxa de verdadeiros positivos (TPR) em valores baixos da taxa de falsos positivos (FPR). Os melhores algoritmos têm a curva no canto superior esquerdo do gráfico e a área sob a curva (AUC) próxima de 1. A linha tracejada diagonal representa uma classificação aleatória de valores discrepantes e valores internos.

import math
import matplotlib.pyplot as plt
from sklearn.metrics import RocCurveDisplay

datasets_name = [
    "http",
    "smtp",
    "SA",
    "SF",
    "forestcover",
    "glass",
    "wdbc",
    "cardiotocography",
]

models_name = [
    "LOF",
    "IForest",
]

## parâmetros de plotagem
cols = 2
linewidth = 1
pos_label = 0  ## significa que 0 pertence à classe positiva
rows = math.ceil(len(datasets_name) / cols)

fig, axs = plt.subplots(rows, cols, figsize=(10, rows * 3), sharex=True, sharey=True)

for i, dataset_name in enumerate(datasets_name):
    (X, y) = preprocess_dataset(dataset_name=dataset_name)

    for model_idx, model_name in enumerate(models_name):
        y_pred = compute_prediction(X, model_name=model_name)
        display = RocCurveDisplay.from_predictions(
            y,
            y_pred,
            pos_label=pos_label,
            name=model_name,
            linewidth=linewidth,
            ax=axs[i // cols, i % cols],
            plot_chance_level=(model_idx == len(models_name) - 1),
            chance_level_kw={
                "linewidth": linewidth,
                "linestyle": ":",
            },
        )
    axs[i // cols, i % cols].set_title(dataset_name)
plt.tight_layout(pad=2.0)  ## espaçamento entre os subgráficos
plt.show()

Resumo

Este laboratório demonstrou como usar o Scikit-Learn para realizar a detecção de valores discrepantes em conjuntos de dados clássicos de detecção de anomalias utilizando os algoritmos de fator de valor discrepante local (LOF) e floresta de isolamento (IForest). O desempenho dos algoritmos foi avaliado no contexto de detecção de valores discrepantes, e curvas ROC foram usadas para plotar os resultados.