Phát hiện bất thường bằng kỹ thuật phân cụm dữ liệu

(Outlier Detection by Clustering)

chuc1803@gmail.com

Phát hiện bất thường (Outlier) là nhiệm quan trọng trong phân tích dữ liệu. Các Outlier trong dữ liệu thường chứa rất nhiều thông tin quan trọng, có ích. Có rất nhiều kỹ thuật phát hiện Outlier như  LOF(Local Outlier Factor),  dựa vào biểu đồ hộp (boxplot), dựa vào các phương pháp thống kê…Bài viết này giới thiệu cách phát hiện Outlier dựa vào kỹ thuật phân cụm dữ liệu. Ý tưởng chính là sử dụng kỹ thuật phân cụm dữ liệu K-Means để nhóm các đối tượng vào K nhóm cho trước. Sau đó tính khoảng cách giữa các đối tượng trong nhóm đến tâm của nhóm đó và  chọn ta n đối tượng (n xác định trước) có khoảng cách đến tâm lớn nhất có thể xem là các Outliers.

Trong ví dụ này sử dụng Data set: iris (iris.xlsx). Download tại ĐÂY và sử dụng Ngôn ngữ R để minh họa (Download code để thực hiện trong R tại ĐÂY).

Bước 1. Đọc dữ liệu từ file iris.xlsx

setwd("D:/R") # Xác định thư mục chứa file dữ liệu

library("xlsx") # Gọi thư viện đọc file Excel

iris=read.xlsx("iris.xlsx",1,header=T) # Đọc dữ liệu vào

attach(iris) # Load dữ liệu vào phân tích

fix(iris) # Xem trước dữ liệu

Bước 2. Tiền xử lý dữ liệu

Loại bỏ côt Species vì trong kỹ thuật phân cụm không dùng cột này

iris1=iris[,1:4] # Tạo ra đối tượng iris1 từ iris và loại bỏ cột cuối cùng (Specicies)

Bước 3. Phân cụm dữ liệu bằng thuật toán K-Means

kmeans.result= kmeans(iris1, centers=3) # Gọi hàm kmeans để phân cụm dữ liệu trên data set iris1 với số cụm là 3

kmeans.result$centers # Xem kết quả các tâm (centers) của 3 cụm

kmeans.result$cluster # Xem kết quả phân cụm

Bước 3. Xác định các Outliers

# Tính khoảng cách từ các đối tượng đến tâm nhóm của nó

centers=kmeans.result$centers[kmeans.result$cluster, ]

distances = sqrt(rowSums((iris1 - centers)^2))

# Lấy 5 đối tượng có khoảng cách đến tâm lớn nhất (Outliers)

outliers = order(distances, decreasing=T)[1:5]

print(outliers) # Xem các Outliers

print(iris1[outliers,])

# Vẽ các cụm theo Sepal.Length và Sepal.Width

  plot(iris1[,c("Sepal.Length", "Sepal.Width")], pch="o",col=kmeans.result$cluster, cex=0.8)

# Vẽ tâm các cụm (pch=8: dấu sao)

points(kmeans.result$centers[,c("Sepal.Length", "Sepal.Width")], col=1:3, pch=8, cex=2.5)

# Vẽ các Outlier (dấu cộng (+), màu xanh)

 points(iris1[outliers, c("Sepal.Length", "Sepal.Width")], pch="+", col=4, cex=2.5)