Fatal编程技术网
  • python/
  • Python 局部离群因子的n_邻域参数对ROC-AUC的影响

Python 局部离群因子的n_邻域参数对ROC-AUC的影响

python machine-learning scikit-learn

Python 局部离群因子的n_邻域参数对ROC-AUC的影响,python,machine-learning,scikit-learn,data-mining,anomaly-detection,Python,Machine Learning,Scikit Learn,Data Mining,Anomaly Detection,我试图用几种算法来解决离群点检测问题。当我使用Scikit learn的本地离群因子API时，我必须输入一个非常重要的参数--n_neights。然而，对于不同的n_邻居，我会得到不同的ROC_AUC分数。例如，使用n_邻居=5然后ROC_AUC=56。然而，如果n_邻居=6那么ROC_AUC=85；如果n_邻居=7然后ROC_AUC=94等。正式地说，如果n_邻居>=6 我想问三个问题： （1） 为什么局部异常因子的n_近邻参数会影响ROC-AUC？ （2） 如何在无监督的学习环境中选择合适的

我试图用几种算法来解决离群点检测问题。当我使用Scikit learn的本地离群因子API时，我必须输入一个非常重要的参数--
n_neights
。然而，对于不同的
n_邻居
，我会得到不同的
ROC_AUC
分数。例如，使用
n_邻居=5
然后
ROC_AUC=56
。然而，如果
n_邻居=6
那么
ROC_AUC=85
；如果
n_邻居=7
然后
ROC_AUC=94
等。正式地说，如果
n_邻居>=6

我想问三个问题： （1） 为什么局部异常因子的
n_近邻
参数会影响ROC-AUC？
（2） 如何在无监督的学习环境中选择合适的
n_邻居
？

（3） 我是否应该选择high
n_Neights
来获得较高的
ROC_AUC
？
如果结果不受影响，则不需要参数，对吗

考虑更多的邻居成本更高。但这也意味着使用了更多的数据，所以我对结果的改善并不感到惊讶。你读过解释参数作用的论文了吗


当您根据评估选择参数时，您就是在作弊。这是一种无监督的方法-在实际用例中不应该有这样的标签。
实际上，当我更改
n_近邻
，
精度
，
召回
和
F1
时不会更改。没有任何改善。然而，
ROC_AUC
确实发生了变化。哪一个是重要的@Anony Mousse<代码>精度
，
调用
和
F1
或
ROC\u AUC
如何定义输出实数的方法的精度？可能有一些门槛。这就是ROC的优点——它不取决于您的阈值。