Task 03 线性回归&主成分分析（PCA）之异常检测 学习笔记

线性回归&主成分分析（PCA）之异常检测

1 基础知识

1.1 前提假设

利用线性回顾和主成分分析进行异常检测需要有两个前提假设：

• 1、近似线性相关假设。是利用线性回归和PCA进行异常检测的理论基础
• 2、子空间假设。子空间假设惹味数据是内嵌在低维度空间之中，线性方法目的是找到合适的低维子空间

使得异常点在其中区别于正常点。

1.2 主成分分析法

​ 主成分分析法是最常用的线性降维方法，主要原理是通过某种线性投影，将高维的数据映射到低维度的空间中表示，并期望在所投影的维度上-数据的方差最大，以此达到使用较少的数据维度来保留较多的原数据点特性的效果。举例：iris 数据集为例：

from sklearn.decomposition import PCA
# 主成分分析法，返回降维后的数据；
# 参数n_components为主要成分的数量；
PCA(n_components=2