異常點檢測演算法：
對於train data 中的資料，對其中重要的特徵（或者每個特徵）x1, x2, … xn，計算其高斯分布
對new data，計算 x 每個特徵 在訓練資料分布下的 p 值並相乘，若p(x) 小於某個臨界值，則判斷其為異常點
什麼時候選擇使用 p(x) ，根據分布概率來判斷異常點，什麼時候使用監督模型？
當正樣本數量特別少的時候，且無法覆蓋所有情況的時候，使用 p(x)
當正樣本數量足夠多的的時候，且未來的正樣本和訓練集相似的時候，使用監督學習
多元高斯分布：
綠色的點是異常點，如果使用上述異常檢測演算法，p(x) = p(x1) * p(x2)，會發現 p(x1) *和 p(x2) 的概率值都不小，乘積也屬於正常範圍，但是明顯的不符合 x1 和 x2 共同的分布，這時就無法判斷異常點了。
異常點 離群點檢測演算法 LOF
在資料探勘方面，經常需要在做特徵工程和模型訓練之前對資料進行清洗，剔除無效資料和異常資料。異常檢測也是資料探勘的乙個方向，用於反作弊 偽基站 金融詐騙等領域。異常檢測方法，針對不同的資料形式，有不同的實現方法。常用的有基於分布的方法，在上 下 分位點之外的值認為是異常值 例如圖1 對於屬性值常用此類...
異常點 離群點檢測演算法 LOF
在資料探勘方面，經常需要在做特徵工程和模型訓練之前對資料進行清洗，剔除無效資料和異常資料。異常檢測也是資料探勘的乙個方向，用於反作弊 偽基站 金融詐騙等領域。異常檢測方法，針對不同的資料形式，有不同的實現方法。常用的有基於分布的方法，在上 下 分位點之外的值認為是異常值 例如圖1 對於屬性值常用此類...
RX異常點檢測演算法（馬氏距離）
異常檢測演算法目的在於從影像中將目標資訊 異常資訊 從影響背景和雜訊中分離出來。rx異常檢測演算法為一種區域性目標檢測演算法，演算法的監測視窗包括目標視窗和背景視窗，且後者遠大於前者。rx演算法假設資料空間白化且服從高斯分布，在此基礎上通過分析視窗的統計量 均值和方差 並與設定的閾值比較判斷是否為異...