异常检测

异常检测用于识别与大部分数据明显不同的对象,这些对象可能是离群点或偏差。主要方法包括基于模型、邻近度、密度和聚类技术。基于模型的技术通过建立模型来识别不匹配的对象;邻近度技术侧重于远离大部分对象的点;基于密度的方法考虑对象的邻近密度;聚类技术则通过分析簇结构来发现异常。每种方法都有其优势和挑战,如时间复杂度和参数选择的敏感性。
摘要由CSDN通过智能技术生成

异常检测的目的是发现与大部分其他对象不同的对象。通常,异常对象被称作为离群点,因为在数据的散布图中,他们远离其他数据点。也通常被称为偏差检测,因为异常对象的属性值明显偏离期望值的或常见的属性值。异常检测也成为例外挖掘,因为异常在某种意义上是例外的。

异常检测方法

基于模型的技术

许多异常检测的技术是首先建立一个模型。异常是那些同模型不能完美拟合的对象。如果使用回归模型,异常就是相对远远离预测值的对象。如果使用分类模型,异常对象和正常对象可以被定义为两个类。

基于邻近度的技术

通常可以在对象之间定义邻近性度量,并且许多异常检测方法都基于邻近度。而异常的对象就是那些远离大部分其他对象的对象。由于邻近度的衡量通常都是基于距离的,所以那些基于距离的检测又被称为基于距离的离群点检测技术

一般基于邻近度的犯法一般需要

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值