![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
异常检测
文章平均质量分 82
AI_SupplyChain
这个作者很懒,什么都没留下…
展开
-
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,以此原创 2021-05-18 01:02:17 · 1465 阅读 · 0 评论 -
异常检测——基于统计学的方法—学习笔记
异常检测——基于统计学的方法1、基于统计学方法的异常检测概述2、参数方法2.1 正态分布中的Z分布(Z-score)3、非参数方法3.1 直方图4、基于角度的方法5、HBOS 1、基于统计学方法的异常检测概述 异常检测的统计学方法的一般思想是:利用给定的已知数据进行构建模型,然后识别该模型低概率区域中的对象,把它们作为异常点。 即利用统计学方法建立一个模型,然后考虑对象有多大可能符合该模型。把可能性低的点,视作异常点。 根据如何指定和学习模型,异常检测的统计学方法可以划分为两个主要类型:参数方法和非参数方法原创 2021-05-14 22:55:59 · 751 阅读 · 0 评论