🌵🌵🌵前言

✨你好啊，我是“ 怪& ”，是一名在校大学生哦。
🌍主页链接：怪&的个人博客主页
☀️博文主更方向为：课程学习知识、作业题解、期末备考。随着专业的深入会越来越广哦…一起期待。
❤️一个“不想让我曾没有做好的也成为你的遗憾”的博主。
💪很高兴与你相遇，一起加油！

一、异常检测

举例：

二、高斯分布/正态分布

公式：

不同参数模型：

参数估计（此处示例的是极大似然估计）

三、异常检测算法

异常分析算法详情：

图形示例：设置阈值，若计算p值小于该阈值，则视此为异常

四、异常检测系统（开发与评估）

评估异常算法

划分

训练集：无标签
交叉验证集和测试集为有标签。（用于评估准确率等）

建议选择下图第一种方式（常用做法），第二个选择是不建议的

算法评估：
设定不同的阈值，比较效果，如何选择较好效果的阈值

五、异常检测VS监督学习

异常检测：正负样本数相差巨大，有许多不同种类的异常（此数量较少，若通过使用监督学习，很难去学习到异常到底是什么，且将来出现的异常与已有的截然不同）
监督学习：正负样本数基本持平，或相差不大

六、选择要使用的功能

关于如何设计和选择异常检测算法的特征

1、变换为高斯分布

2、异常算法的特征

先根据训练集建立模型
再测试，将异常值找出，并以此建立新的特征来捕捉此异常

建立新的特征，帮助捕捉异常

七、多变量高斯分布

协方差矩阵

多元高斯分布的优点：可给数据的相关性建立模型

负相关

八、使用高斯分布的异常检测

多元高斯模型，在捕捉特征方面的关系有较多优点

多元高斯模型会自动捕捉不同特征之间的关系
原始模型计算成本比较低

当在拟合多元高斯模型的时候，若协方差矩阵为奇异矩阵（不可逆）时：

1、没有满足样本数m>n
2、存在冗余特征（两个一样的特征或者高度相关的特征，即线性相关）

❤️❤️❤️忙碌的敲代码也不要忘了浪漫鸭！