[发明专利]异常点比例优化方法、装置、计算机设备及存储介质

权利要求书

1.一种异常点比例优化方法，其特征在于，包括：

接收待分类样本，根据预设的当前异常点比例及所述待分类样本构建用于异常点检测的孤立森林模型；

将所述待分类样本根据所述孤立森林模型及所述当前异常点比例进行分类，得到分类结果中正常类别的正常点中心；

获取所述分类结果中异常类别的每一数据点与所述正常点中心的平均欧式距离，以作为当前状态平均欧式距离；

通过所述当前异常点比例减去预设的步长，以更新当前异常点比例；

将所述待分类样本根据所述孤立森林模型及当前异常点比例进行分类，得到当前异常类别的数据点，获取当前异常类别的每一数据点与所述正常点中心的平均欧式距离以作为下一状态平均欧式距离；

通过下一状态平均欧式距离与当前状态平均欧式距离之差除以所述步长，得到平均欧式距离变动幅度；

判断所述平均欧式距离变动幅度是否超出预设的变动幅度阈值；以及

若所述平均欧式距离变动幅度超出所述变动幅度阈值，将当前异常点比例加上步长作为最优异常点比例。

2.根据权利要求1所述的异常点比例优化方法，其特征在于，所述通过下一状态平均欧式距离与当前状态平均欧式距离之差除以所述步长，得到平均欧式距离变动幅度之后，还包括：

若所述平均欧式距离变动幅度未超出所述变动幅度阈值，将当前异常点比例减去步长以更新当前异常点比例，通过下一状态平均欧式距离以更新当前状态平均欧式距离，返回执行将所述待分类样本根据所述孤立森林模型及当前异常点比例进行分类，得到当前异常类别的数据点，获取当前异常类别的每一数据点与所述正常点中心的平均欧式距离以作为下一状态平均欧式距离的步骤。

3.根据权利要求1所述的异常点比例优化方法，其特征在于，所述根据预设的当前异常点比例及所述待分类样本构建用于异常点检测的孤立森林模型，包括：

从所述待分类样本中随机获取数据属性，及由数据属性和当前异常点比例所确定的分裂值；

根据所述数据属性及所述分裂值将所述待分类样本进行划分，得到多个孤立树，由多个孤立树组合得到用于异常点检测的孤立森林模型。

4.根据权利要求1所述的异常点比例优化方法，其特征在于，所述将所述待分类样本根据所述孤立森林模型及所述当前异常点比例进行分类，得到分类结果中正常类别的正常点中心，包括：

将所述待分类样本根据所述孤立森林模型及当前异常点比例进行分类，得到分类结果；其中，所述分类结果中包括正常类别的数据点和异常类别的数据点；

获取所述分类结果中正常类别的数据点所对应的平均值，以获取初始正常点中心；

获取所述分类结果中正常类别的数据点中与所述初始正常点中心距离最近的数据点，以作为正常类别的数据点对应的正常点中心。

5.根据权利要求1所述的异常点比例优化方法，其特征在于，所述若所述平均欧式距离变动幅度超出所述变动幅度阈值，将当前异常点比例加上步长作为最优异常点比例之后，还包括：

将所述待分类样本根据所述孤立森林模型及最优异常点比例进行分类，得到最优分类结果。