异常检测算法小结

异常检测是机器学习一个重要的领域，无论是学术上还是工业上都有非常重要的应用。

依据数据特征主要分为以下三类：

• 有监督

    主要算法有NN（neural networks）、SVM、KNN

• 半监督

    代表算法One-Class-SVM（一种新颖性检测算法，不能完全说是异常检测）、Anomaly Trees

• 无监督

    （1）基于近邻的算法，如KNN, LOF(local outiler factor，适用于中等高维数据), COF(connectivity-based outilier factor), LoOP(local outiler probability), INFLO(the influenced outilerness), LOCI(the parameter-free local correlation integral),FastLOF

        (2）基于聚类的算法，如CBLOF（the cluster-based local outlier factor）

      （3）基于统计的算法,无论是参数的还是非参数的，都主要是对单变量数据进行操作的，而很少的多变量方法对大数据集计算过于密集。

      （4）IForest算法（时间序列异常检测）。适合高维数据

    基于近邻的算法优于基于聚类的算法。

参考文献：

[1] Goldstein M. FastLOF: An Expectation-Maximization based Local Outlier detection algorithm[C]// International Conference on Pattern Recognition. IEEE, 2013:2282-2285.