本文介绍了基于高斯分布的异常检测算法，首先收集电机轴特征数据，假设数据符合高斯分布，通过计算平均值和方差建立概率密度函数模型。新数据若在该模型中概率低于预设阈值，则标记为异常。算法实现包括计算概率密度、阈值设定，并通过交叉验证确定阈值。异常检测广泛应用于欺诈预防等领域。
异常检测项目整理
基于高斯分布的异常检测算法
收集特征:电机轴1到6，问问剑桥，那份文档每个参数啥意思。
假设机器数据符合高斯分布，如果不符合，就用对数函数转化为高斯分布。
一个机器的1轴和2轴分别作为特征点，在直角坐标系中形成了一个点，m个机器就会形成m个点，画图。对于一个新的机器，如果新机器的特征点偏离了这块区域，我们就说异常了。
具体实现算法：计算每个特征的平均值和方差，得到一个密度概率函数模型，对于新的特征点，可以根据模型求出对应概率，把这个概率和阈值比较，
小于阈值的概率就是异常。这个阈值可以用交叉验证法得到。具体就是1000个正常数据分为600个训练数据，200个正常数据和异常数据组成验证集，
另外200正常数据和10个异常数据构成测试集。阈值是通过多次尝试，人工得到的。
******************不重要东西******************
算法实现：对于每一个特征值，计算他的平均值和方差，得到一个概率密度函数，对于新的特征，
通过概率密度函数计算他的概率分布，小于就是异常，大于就是正常。
异常检测假设特征符合高斯分布，如果数据的分布不是高斯分布，异常检测算法也能够
工作，但是最好还是将数据转换成高斯分布，例如使用对数函数：
最低0.47元/天 解锁文章
1882
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
