目錄

前言

一、檢測結果展示

二、異常數據特征可視化

1.周期與金額比較

? ? ? ? ?2.結合責任對比

? ? ? ? ?3.結合車型分析

? ? ? ? ?4.結合滯留環節分析

總結

---

前言

未決案件從某種程度上也可以算是無監督數據（因為沒有歷史標記），通過非監督式方法實現的異常檢測可以縮小排查范圍，提供更加精準和高效的執行目標。

Isolation Forest （孤立森林）：一種與隨機森林類似，高效的集成算法。基本原理是異常樣本相對于正常樣本可以用較少的特征劃分出來，本例就是想通過該算法將純車物未決案件異常樣本標記出來，研究其特征，提供一些新的思路。

本例主要是對類別為異常的數據進行特征分析展示，算法實現過程就省略了。

---

一、檢測結果展示

數據量：5018，? 標記為異常的數據：765， 異常數據占比：15.2%，部分整合后數據展示如下：

‘-1’表示模型識別為異常數據

二、異常數據特征可視化

1.周期與金額比較

?異常數據相比正常數據，平均滯留周期及平均估損金額都較高

2.結合責任對比

?重點關注高于均值的部分

3.結合車型分析

?從上表得出案件數最多的不一定是異常率最高的，下面結合Axes3D圖及矩陣圖展示分析

?矩陣圖說明：橫軸是案件量、縱軸是平均滯留周期，圓圈大小是平均估損金額。

結合Axes3D圖及矩陣圖可以看出：黨政機關客車及非營業貨車異常率較高，異常率超過40%，且黨政機關客車的平均滯留周期很高，處在矩陣圖第二象限，且該車型都是公司車輛，是否存在手續方面的問題導致周期很高，這個可以結合原始數據具體案件具體分析。營業貨車是唯一處在第一象限的，即數量及周期都高于平均數，金額也不小，且該車型基本都是掛靠，是否也是手續、配件等方面的問題，可以結合數據個案分析。

4.結合滯留環節分析

說明：柱圖表示滯留周期，折線表示案件量

矩陣圖坐標軸與車型矩陣圖一致

滯留環節方面：訴訟、退票、重開/補賠申請3個環節的異常率都超過70%，同時未調度環節滯留周期超高、估損金額也不低，單證及其他這兩個處在第一象限的環節，件數及滯留周期都超過平均值，上述這些環節都可以結合原始數據重點分析原因。

---

總結

1. 結合上述圖標可以看出，滯留周期及估損金額是異常案件區別于正常案件的主要特征。

2.由于未決形成的原因是多方面的，以上僅展示了幾個不同維度下的情況，還有很多維度可以挖掘，就不一一展示，由于異常案件是由算法識別，具體到個案分析，‘異常案件’并不一定就是異常，還需要結合實際經驗及案情判斷。結合算法識別后的數據特征，可以從特征出發，具體分析，對癥下藥，提升清理的效率，減少盲清。

3. 對于無監督類的數據，聚類也是一種區分的好方法，下一篇再分享了。

總結

以上是生活随笔為你收集整理的基于 Isolation Forest 未决案件异常检测结果展示的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。