异常检测小结

1. 异常检测小结

异常检测本质上就是找不同，找到检测异常的点或者数据。李宏毅老师在异常检测这部分介绍了两种方法。分别用来处理带 label 的数据以及不带 label 的数据。

1.1 带 label 的数据

对于带 label 的数据（此处要求数据不含杂质，即数据不包含异常值点），我们可以训练一个分类器，得到每个数据的类别以及信心分数。比如对于火影忍者的人物，我们可以训练一个分类器，将其分为鸣人、佐助、雏田等等。这个时候，如果我们给分类器一个柯南的图片，分类器也会将其分为火影中的某一类人物，但是由于分类器从来没见过柯南，或者是柯南和火影里面的人物画风都不一样，这个时候分类器认为其属于各个人物的概率都是很低的，换句话说，分类器没把握把柯南分为任何一个火影人物。

接下来，我们可以根据信息分数将其分为异常点还是正常点，信心分数低的就会被分为异常点。

1.2 不带 label 的数据

不带 label 的数据，我们就可以去用一个概率密度函数去拟合数据的分布，将概率密度低的点划分为异常点。如下面这个图，我们可以使用一个二元的正态分布去拟合下面的数据，最终概率密度值比较低的数据点就会被归为异常点。