在 sklearn 中计算无监督 LOF 的 AUC

【问题标题】：Calculating AUC for Unsupervised LOF in sklearn在 sklearn 中计算无监督 LOF 的 AUC
【发布时间】：2018-12-11 01:28:24
【问题描述】：

在对数据集上的 LOF 模型运行 fit_predict 后，我正在尝试计算 ROCAUC。

我正在使用sklearn 进行 LOF 实施。我知道我可以通过调用model.negative_outlier_factor_ 来取回分数，但我不确定如何将这些分数转换为概率来进行AUC 计算

这是为了与另一个模型进行比较。我该怎么做呢？

【问题讨论】：

标签： python machine-learning scikit-learn anomaly-detection

【解决方案1】：

您不必将 model.negative_outlier_factor_ 转换为 ROC_AUC 计算的概率，只需一个相对分数就足够了。

samples = [[0., 0., 0.], [0., .5, 0.], [1., 1., .5]]

from sklearn.neighbors import LocalOutlierFactor
lof = LocalOutlierFactor(n_neighbors=3,novelty=True)
lof.fit(samples) 
roc_auc(1/lof.score_samples(X_test),y_test)

【讨论】：

这听起来可能很愚蠢，但是 score_samples 函数在哪里呢？我在文档中看到它，但是当我在训练后调用时，调用 clf.score_samples 告诉我方法 score_samples 不存在。
您已将新奇设置为 True 以启用 score_samples 选项