# Isolation Forestの基本実装 import numpy as np import matplotlib.pyplot as plt from sklearn.ensemble import IsolationForest # サンプルデータの生成 np.random.seed(42) # 正常データ（2つのクラスタ） X_normal = np.vstack([ np.random.randn(100, 2) + [2, 2], np.random.randn(100, 2) + [-2, -2] ]) # 異常データ（散らばった点） X_anomaly = np.random.uniform(-6, 6, (20, 2)) X = np.vstack([X_normal, X_anomaly]) print(f”データサイズ: {X.shape}”) print(f”正常データ: {len(X_normal)}件”) print(f”異常データ: {len(X_anomaly)}件”)

# Isolation Forestの適用 # contamination: 異常データの割合（わかっている場合） iso_forest = IsolationForest( n_estimators=100, # 木の数 contamination=0.1, # 異常データの割合 random_state=42 ) # 予測（1=正常、-1=異常） y_pred = iso_forest.fit_predict(X) # 結果の確認 n_normal_pred = sum(y_pred == 1) n_anomaly_pred = sum(y_pred == -1) print(f”正常と予測: {n_normal_pred}件”) print(f”異常と予測: {n_anomaly_pred}件”) # 異常スコア（低いほど異常） scores = iso_forest.decision_function(X) print(f”\n異常スコアの範囲: {scores.min():.3f} 〜 {scores.max():.3f}”)

# 可視化 plt.figure(figsize=(10, 4)) # 予測結果 plt.subplot(1, 2, 1) colors = [‘blue’ if p == 1 else ‘red’ for p in y_pred] plt.scatter(X[:, 0], X[:, 1], c=colors, s=30, alpha=0.7) plt.title(‘Isolation Forest（青=正常、赤=異常）’) plt.xlabel(‘Feature 1’) plt.ylabel(‘Feature 2′) # 異常スコア plt.subplot(1, 2, 2) scatter = plt.scatter(X[:, 0], X[:, 1], c=scores, cmap=’coolwarm’, s=30, alpha=0.7) plt.colorbar(scatter, label=’異常スコア’) plt.title(‘異常スコア（低い=異常）’) plt.xlabel(‘Feature 1’) plt.ylabel(‘Feature 2’) plt.tight_layout() plt.show()

# LOFの実装 from sklearn.neighbors import LocalOutlierFactor # LOFの適用 lof = LocalOutlierFactor( n_neighbors=20, # 近傍点の数 contamination=0.1 # 異常データの割合 ) # 予測（1=正常、-1=異常） y_pred_lof = lof.fit_predict(X) # 結果の確認 n_normal_lof = sum(y_pred_lof == 1) n_anomaly_lof = sum(y_pred_lof == -1) print(f”正常と予測: {n_normal_lof}件”) print(f”異常と予測: {n_anomaly_lof}件”) # LOFスコア（負の値、絶対値が大きいほど異常） lof_scores = lof.negative_outlier_factor_ print(f”\nLOFスコアの範囲: {lof_scores.min():.3f} 〜 {lof_scores.max():.3f}”)

# novelty=Trueで新しいデータにも適用可能 lof_novelty = LocalOutlierFactor( n_neighbors=20, contamination=0.1, novelty=True # 新規データへの適用を有効化 ) # 正常データのみで学習 lof_novelty.fit(X_normal) # 新しいデータを予測 X_new = np.array([[0, 0], [10, 10]]) # テストデータ y_new = lof_novelty.predict(X_new) print(f”新しいデータの予測: {y_new}”) # [1, -1]

# One-Class SVMの実装 from sklearn.svm import OneClassSVM # One-Class SVMの適用 oc_svm = OneClassSVM( kernel=’rbf’, # カーネル関数 gamma=’scale’, # カーネル係数 nu=0.1 # 異常データの割合の上限 ) # 学習と予測 oc_svm.fit(X) y_pred_svm = oc_svm.predict(X) # 結果の確認 n_normal_svm = sum(y_pred_svm == 1) n_anomaly_svm = sum(y_pred_svm == -1) print(f”正常と予測: {n_normal_svm}件”) print(f”異常と予測: {n_anomaly_svm}件”) # 決定関数（正=正常、負=異常） svm_scores = oc_svm.decision_function(X) print(f”\n決定関数の範囲: {svm_scores.min():.3f} 〜 {svm_scores.max():.3f}”)

# 不正取引検知のシミュレーション import numpy as np from sklearn.ensemble import IsolationForest from sklearn.neighbors import LocalOutlierFactor from sklearn.svm import OneClassSVM from sklearn.preprocessing import StandardScaler # データ生成 np.random.seed(42) # 正常な取引（金額小〜中、時間帯は日中） n_normal = 1000 amount_normal = np.random.exponential(50, n_normal) # 金額（平均50） hour_normal = np.random.normal(14, 3, n_normal) # 時間（平均14時） hour_normal = np.clip(hour_normal, 0, 24) # 不正な取引（金額が高い、深夜が多い） n_fraud = 50 amount_fraud = np.random.exponential(200, n_fraud) # 金額（平均200） hour_fraud = np.random.uniform(0, 6, n_fraud) # 時間（深夜） # データ結合 X_transactions = np.column_stack([ np.concatenate([amount_normal, amount_fraud]), np.concatenate([hour_normal, hour_fraud]) ]) y_true = np.array([0]*n_normal + [1]*n_fraud) # 0=正常、1=不正 print(f”取引データ: {X_transactions.shape}”) print(f”正常取引: {n_normal}件”) print(f”不正取引: {n_fraud}件”) # 標準化 scaler = StandardScaler() X_scaled = scaler.fit_transform(X_transactions)

# 各手法で異常検知 # contamination = 不正取引の割合 contamination = n_fraud / (n_normal + n_fraud) # Isolation Forest iso = IsolationForest(contamination=contamination, random_state=42) y_iso = iso.fit_predict(X_scaled) # LOF lof = LocalOutlierFactor(contamination=contamination) y_lof = lof.fit_predict(X_scaled) # One-Class SVM svm = OneClassSVM(nu=contamination) y_svm = svm.fit_predict(X_scaled) # 評価（-1を1に変換して、1=異常と判定） def evaluate(y_true, y_pred): # y_pred: 1=正常、-1=異常 → 0=正常、1=異常に変換 y_pred_binary = (y_pred == -1).astype(int) # 真の不正（y_true=1）のうち、検出できた割合（Recall） recall = sum((y_true == 1) & (y_pred_binary == 1)) / sum(y_true == 1) # 不正と予測したうち、本当に不正だった割合（Precision） if sum(y_pred_binary == 1) > 0: precision = sum((y_true == 1) & (y_pred_binary == 1)) / sum(y_pred_binary == 1) else: precision = 0 return recall, precision # 結果表示 print(“=”*50) print(“不正取引検知の結果”) print(“=”*50) for name, y_pred in [(“Isolation Forest”, y_iso), (“LOF”, y_lof), (“One-Class SVM”, y_svm)]: recall, precision = evaluate(y_true, y_pred) print(f”{name:20s}: Recall={recall:.2f}, Precision={precision:.2f}”)