数学建模：异常检测算法

一、简介 – 关于异常检测

异常检测（outlier detection）在以下场景：

• 数据预处理
• 病毒木马检测
• 工业制造产品检测
• 网络流量检测

等等，有着重要的作用。由于在以上场景中，异常的数据量都是很少的一部分，因此诸如：SVM、逻辑回归等分类算法，都不适用，因为：

监督学习算法适用于有大量的正向样本，也有大量的负向样本，有足够的样本让算法去学习其特征，且未来新出现的样本与训练样本分布一致。

以下是异常检测和监督学习相关算法的适用范围：

异常检测

• 信用卡诈骗
• 制造业产品异常检
• 数据中心机器异常检
• 入侵检测

监督学习

• 垃圾邮件识别
• 新闻分类

二、异常检测算法

import tushare
from matplotlib import pyplot as plt
 
df = tushare.get_hist_data("600680")
v = df[-90: ].volume
v.plot("kde")
plt.show()

近三个月，成交量大于200000就可以认为发生了异常（天量，嗯，要注意风险了……）

2. 箱线图分析

import tushare
from matplotlib import pyplot as plt
 
df = tushare.get_hist_data("600680")
v = df[-90: ].volume
v.plot("kde")
plt.show()

大体可以知道，该股票在成交量少于20000，或者成交量大于80000，就应该提高警惕啦！

<