使用 IsolationForest 进行异常检测时，在混淆矩阵中附加了额外的零，使其成为 3x3 而不是 2x2

Question

我正在使用以下代码来预测异常检测。这是一个二元分类，所以混淆矩阵应该是 2x2 而不是 3x3。 T 形中附加了额外的零。几周前使用 OneClassSVM 也发生了类似的事情，但我认为我做错了什么。你能帮我解决这个问题吗？

import numpy as np
import pandas as pd
import os
from sklearn.ensemble import IsolationForest
from sklearn.metrics import confusion_matrix, accuracy_score, classification_report 
from sklearn import metrics
from sklearn.metrics import roc_auc_score

data = pd.read_csv('opensky_train.csv')

#to make sure that normal data contains no anomaly
sortedData = data.sort_values(by=['class'])
target = pd.DataFrame(sortedData['class'])

Y = target.replace(['surveill', 'other'], [1,0])
X = sortedData.drop(['class'], axis = 1)

x_normal = X.iloc[:200,:]
y_normal = Y.iloc[:200,:]
x_anomaly = X.iloc[200:,:]
y_anomaly = Y.iloc[200:,:]

已编辑：

column_values = y_anomaly.values.ravel()
unique_values =  pd.unique(column_values)
print(unique_values)

输出：[0 1]

clf = IsolationForest(random_state=0).fit(x_normal)
pred = clf.predict(x_anomaly)

print(pred)

输出：[ 1 1 1 1 1 1 -1 1 -1 1 1 1 1 1 1 1 1 1 1 -1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 1 1 1 1 1 1 -1 1 1 -1 1 1 -1 1 1 -1 1 -1 1 -1 1 1 -1 -1 1 -1 -1 1 1 1 1 -1 1 1 -1 -1 1 1 1 1 1 1 1 -1 1 1 1 1 1 1 1 1 1 -1]

#printing the results 
print(confusion_matrix(y_anomaly, pred))
print (classification_report(y_anomaly, pred))

结果：

Confusion Matrix :
[[ 0  0  0]
 [ 7  0 60]
 [12  0 28]]
              precision    recall  f1-score   support

          -1       0.00      0.00      0.00         0
           0       0.00      0.00      0.00        67
           1       0.32      0.70      0.44        40

    accuracy                           0.26       107
   macro avg       0.11      0.23      0.15       107
weighted avg       0.12      0.26      0.16       107

Answer 1

Inliers are labeled 1, while outliers are labeled -1

来源：scikit-learn Anomaly and Outlier detection.

您的示例已将类转换为 0,1 - 因此三个可能的选项是 -1,0,1

您需要从

Y = target.replace(['surveill', 'other'], [1,0])

到

Y = target.replace(['surveill', 'other'], [1,-1])

使用 IsolationForest 进行异常检测时，在混淆矩阵中附加了额外的零，使其成为 3x3 而不是 2x2

Extra zeros appended in confusion matrix making it 3x3 instead of 2x2 using IsolationForest for Anomaly detection

machine-learning

outliers

confusion-matrix

anomaly-detection

结果：