`sklearn.ensemble`.IsolationForest¶

class sklearn.ensemble.IsolationForest¶

Algoritmo de Bosque de Aislamiento.

Devuelve la puntuación de anomalía de cada muestra utilizando el algoritmo IsolationForest

El IsolationForest «aísla» las observaciones seleccionando aleatoriamente una característica y luego seleccionando aleatoriamente un valor de división entre los valores máximos y mínimos de la característica seleccionada.

Dado que la partición recursiva puede representarse mediante una estructura de árbol, el número de divisiones necesarias para aislar una muestra es equivalente a la longitud de la trayectoria desde el nodo raíz hasta el nodo final.

Esta longitud de la trayectoria, promediada sobre un bosque de tales árboles aleatorios, es una medida de normalidad y nuestra función de decisión.

La partición aleatoria produce trayectorias notablemente más cortas para las anomalías. Por lo tanto, cuando un bosque de árboles aleatorios produce colectivamente longitudes de trayectorias más cortas para muestras particulares, es muy probable que se trate de anomalías.

Leer más en el Manual de Usuario.

Nuevo en la versión 0.18.

Parámetros

n_estimatorsint, default=100

El número de estimadores base en el ensemble.

max_samples«auto», int o float, default=»auto»

El número de muestras a extraer de X para entrenar cada estimador base.

Si es int, entonces extrae max_samples muestras.
Si es float, entonces extrae max_samples * X.shape[0] muestras.
Si es «auto», entonces max_samples=min(256, n_samples).

Si max_samples es mayor que el número de muestras proporcionado, se utilizarán todas las muestras para todos los árboles (sin muestreo).

contamination“auto” o float, default=”auto”

La cantidad de contaminación del conjunto de datos, es decir, la proporción de valores atípicos en el conjunto de datos. Se utiliza al ajustar para definir el umbral en las puntuaciones de las muestras.

Si es «auto», el umbral se determina como en el documento original.

Si es float, la contaminación debe estar en el rango [0, 0.5].

Distinto en la versión 0.22: El valor predeterminado de contamination cambió de 0.1 a 'auto'.

max_featuresint o float, default=1.0

El número de características a extraer de X para entrenar cada estimador base.

Si es int, entonces extrae max_features características.

Si es float, entonces extrae max_features * X.shape[1] características.

bootstrapbool, default=False

Si es True, los árboles individuales se ajustan a subconjuntos aleatorios de los datos de entrenamiento muestreados con reemplazo. Si es False, se realiza un muestreo sin reemplazo.

n_jobsint, default=None

El número de trabajos que se ejecutan en paralelo para fit y predict. None significa 1 a menos que esté en un contexto joblib.parallel_backend. -1 significa que se utilizan todos los procesadores. Ver Glosario para más detalles.

random_stateentero, instancia de RandomState o None, default=None

Controla la pseudo-aleatoriedad de la selección de los valores de las características y de división para cada paso de ramificación y cada árbol del bosque.

Pasa un número entero para que los resultados sean reproducibles a través de múltiples llamadas a la función. Ver Glosario.

verboseint, default=0

Controla la verbosidad del proceso de construcción del árbol.

warm_startbool, default=False

Cuando se establece como True, reutiliza la solución de la llamada previa para ajustar y añadir más estimadores al ensemble, de lo contrario, sólo se ajusta un bosque nuevo. Ver Glosario.

Nuevo en la versión 0.21.

Atributos

base_estimator_instancia ExtraTreeRegressor: La plantilla del estimador hijo utilizada para crear la colección de subestimadores ajustados.
estimators_list de instancias ExtraTreeRegressor: La colección de subestimadores ajustados.
estimators_features_list de ndarray: El subconjunto de características extraídas para cada estimador base.
estimators_samples_list de ndarray: El subconjunto de muestras extraídas para cada estimador base.
max_samples_int: El número real de muestras.
offset_float: Desplazamiento utilizado para definir la función de decisión a partir de las puntuaciones brutas. Tenemos la relación: decision_function = score_samples - offset_. offset_ se define de la siguiente manera. Cuando el parámetro de contaminación se establece en «auto», el desplazamiento es igual a -0.5 ya que las puntuaciones de los valores típicos son cercanas a 0 y las puntuaciones de los valores atípicos son cercanas a -1. Cuando se proporciona un parámetro de contaminación diferente a «auto», el desplazamiento se define de tal manera que obtenemos el número esperado de valores atípicos (muestras con función de decisión < 0) en el entrenamiento.

Nuevo en la versión 0.20.
n_features_int: El número de características cuando se realiza el fit.

Ver también

sklearn.covariance.EllipticEnvelope: Un objeto para detectar valores atípicos en un conjunto de datos con distribución Gaussiana.
sklearn.svm.OneClassSVM: Detección No Supervisada de Valores Atípicos. Estima el soporte de una distribución de alta dimensión. La implementación se basa en libsvm.
sklearn.neighbors.LocalOutlierFactor: Detección No Supervisada de Valores Atípicos mediante el Factor Local de Valores Atípicos (Local Outlier Factor, LOF).

Notas

La implementación se basa en un ensemble de ExtraTreeRegressor. La profundidad máxima de cada árbol se establece en ceil(log_2(n)) donde \(n\) es el número de muestras utilizadas para construir el árbol (ver (Liu et al., 2008) para más detalles).

Referencias

1: Liu, Fei Tony, Ting, Kai Ming y Zhou, Zhi-Hua. «Isolation forest.» Data Mining, 2008. ICDM’08. Eighth IEEE International Conference on.
2: Liu, Fei Tony, Ting, Kai Ming y Zhou, Zhi-Hua. «Isolation-based anomaly detection.» ACM Transactions on Knowledge Discovery from Data (TKDD) 6.1 (2012): 3.

Ejemplos

>>> from sklearn.ensemble import IsolationForest
>>> X = [[-1.1], [0.3], [0.5], [100]]
>>> clf = IsolationForest(random_state=0).fit(X)
>>> clf.predict([[0.1], [0], [90]])
array([ 1,  1, -1])

Métodos

`decision_function`	Puntuación de anomalía media de X de los clasificadores base.
`fit`	Estimador del ajuste.
`fit_predict`	Realiza el ajuste en X y devuelve las etiquetas para X.
`get_params`	Obtiene los parámetros para este estimador.
`predict`	Predice si una muestra en particular es un valor atípico o no.
`score_samples`	Lo contrario de la puntuación de anomalía definida en el documento original.
`set_params`	Establece los parámetros de este estimador.

decision_function()¶

Puntuación de anomalía media de X de los clasificadores base.

La puntuación de anomalía de una muestra de entrada se calcula como la puntuación de anomalía media de los árboles del bosque.

La medida de normalidad de una observación dado un árbol es la profundidad de la hoja que contiene esta observación, que equivale al número de divisiones necesarias para aislar este punto. En caso de que haya varias observaciones n_left en la hoja, se añade la longitud media de la trayectoria de un árbol de aislamiento de muestras n_left.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Las muestras de entrada. Internamente, se convertirá a dtype=np.float32 y si se proporciona una matriz dispersa, a una csr_matrix dispersa.

Devuelve

scoresndarray de forma (n_samples,): La puntuación de anomalía de las muestras de entrada. Cuanto más baja, más anormal. Las puntuaciones negativas representan valores atípicos, y las positivas, valores típicos.

property estimators_samples_¶

El subconjunto de muestras extraídas para cada estimador base.

Devuelve una lista generada dinámicamente de índices que identifican las muestras utilizadas para el ajuste de cada miembro del ensemble, es decir, las muestras in-bag.

Nota: la lista se vuelve a crear en cada llamada a la propiedad para reducir la huella de memoria del objeto al no almacenar los datos de muestreo. Por lo tanto, la obtención de la propiedad puede ser más lenta de lo esperado.

fit()¶

Estimador del ajuste.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Las muestras de entrada. Utiliza dtype=np.float32 para obtener la máxima eficiencia. También se admiten matrices dispersas, utiliza csc_matrix dispersa para obtener la máxima eficiencia.
yIgnorado: No utilizado, está presente para la coherencia de la API por convención.
sample_weightarray-like de forma (n_samples,), default=None: Ponderaciones de las muestras. Si es None, las muestras se ponderan por igual.

Devuelve

selfobject: Estimador ajustado.

fit_predict()¶

Realiza el ajuste en X y devuelve las etiquetas para X.

Devuelve -1 para los valores atípicos y 1 para los valores típicos.

Parámetros

X{array-like, sparse matrix, dataframe} de forma (n_samples, n_features)
yIgnorado: No utilizado, está presente para la coherencia de la API por convención.

Devuelve

yndarray de forma (n_samples,): 1 para los valores típicos, -1 para los valores atípicos.

get_params()¶

Obtiene los parámetros para este estimador.

Parámetros

deepbool, default=True: Si es True, devolverá los parámetros para este estimador y los subobjetos contenidos que son estimadores.

Devuelve

paramsdict: Nombres de parámetros mapeados a sus valores.

predict()¶

Predice si una muestra en particular es un valor atípico o no.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Las muestras de entrada. Internamente, se convertirá a dtype=np.float32 y si se proporciona una matriz dispersa, a una csr_matrix dispersa.

Devuelve

is_inlierndarray de forma (n_samples,): Para cada observación, indica si debe considerarse o no (+1 o -1) como un valor típico según el modelo ajustado.

score_samples()¶

Lo contrario de la puntuación de anomalía definida en el documento original.

La puntuación de anomalía de una muestra de entrada se calcula como la puntuación de anomalía media de los árboles del bosque.

Parámetros

X{array-like, sparse matrix} de forma (n_samples, n_features): Las muestras de entrada.

Devuelve

scoresndarray de forma (n_samples,): La puntuación de anomalía de las muestras de entrada. Cuanto más baja, más anormal.

set_params()¶

Establece los parámetros de este estimador.

El método funciona tanto en estimadores simples como en objetos anidados (como Pipeline). Estos últimos tienen parámetros de la forma <component>__<parameter> para que sea posible actualizar cada componente de un objeto anidado.

Parámetros

**paramsdict: Parámetros del estimador.

Devuelve

selfinstancia del estimador: Instancia del estimador.

Ejemplos utilizando `sklearn.ensemble.IsolationForest`¶

sklearn.ensemble.IsolationForest¶

Ejemplos utilizando sklearn.ensemble.IsolationForest¶

`sklearn.ensemble`.IsolationForest¶

Ejemplos utilizando `sklearn.ensemble.IsolationForest`¶