基于密度判别的核均值漂移异常检测OA

异常检测是一项重要的数据挖掘任务,旨在找到不符合预期模式的数据.针对原始的均值漂移异常值检测算法(MOD)在非凸、密度不均数据集上的不适用性,提出基于密度判别的核均值漂移异常值检测算法,即KD-kMOD算法.算法首先引入核函数计算均值漂移向量,使得在有效区域中的不同样本点具有不同的权重,同时降低k值影响;其次,算法在识别出预内值和预异常值的基础上,通过KD树构造数据集,自适应得出基于密度的查询半径r;最后,基于查询半径内数据密度判别异常点.该算法同时考虑全局信息和局部密度,将先前基于距离的异常评判方式转化成为基于密度的判别方式.人工数据集的实验证明,KD-kMOD算法能够适用于非凸、密度不均的数据集,同时在真实数据集上仍能高效稳定地检测出异常值,精确率(Pr)和召回率(Re)均达到85%左右.