多元高斯分布与AD

前面已经提到了高斯分布与在异常检测中的运用。现在再来谈谈多元高斯分布。

一、为什么用到了多元高斯分布？

假设我们有两个相关的特征，而且这两个特征的值域范围比较宽，这种情况下，一般的高斯分布模型可能不能很好的识别异常数据。其原因在于，一般的高斯分布模型尝试的是去同时抓住两个特征的偏差（从p(x) = p(x1) * p(x2) 就可以看出），因此创造出一个比较大的判定边界。

下图中是两个相关特征，洋红色的线（根据 ε 的不同其范围可大可小， ε 越小，包含的范围越大）是一般的的高斯分布模型获得的判定边界，很明显绿色的 X 所代表的数据点很可能是异常值，但是其 p(x) 值却仍然在正常范围内。多元高斯分布将创建图中蓝色曲线所示的判定边界。

二、多元高斯分布的相关公式

在一般的高斯分布模型中，我们计算p(x)的方法是：通过分别计算每个特征对应的几率然后将其累乘起来。如下所示：

而在多元高斯分布模型中，我们将构建特征的协方差矩阵，用所有的特征仪器来计算p(x)。如下所示：

注：其中 μ 是一个向量，其每个单元都是原特征中一行数据的均值。如下所示：

  最后，我们计算多元高斯分布的p(x):

其中，是协方差矩阵Σ的行列式；是其逆矩阵。

下面再来看看协方差矩阵是如何影响模型的：

上图是5个不同的模型，我们从左往右依次分析：

1.是一个一般的高斯分布模型

2.通过协方差矩阵，令特征1拥有较小的偏差，同时保持特征2的偏差

3.通过协方差矩阵，令特征2拥有较大的偏差，同时保持特征1的偏差

4.通过协方差矩阵，在不改变两个特征的原有偏差的基础上，增加两者之间的正相关性

5.通过协方差矩阵，在不改变两个特征的原有偏差的基础上，增加两者之间的负相关性

三、多元高斯分布模型与原高斯分布模型的关系

可以证明的是，原本的高斯分布模型是多元高斯分布模型的一个子集，即像上图中的第1、2、3,3个例子所示，如果协方差矩阵只在对角线的单位上有非零的值时，即为原本的高斯分布模型。

原高斯分布模型和多元高斯分布模型的比较：

原高斯分布模型被广泛使用者，如果特征之间在某种程度上存在相互关联的情况，我们可以通过构造新特征的方法来捕捉这些相关性。

如果训练集不是太大，并且没有太多的特征，我们可以使用多元高斯分布模型。

四、在异常检测中的应用

前面已经谈到了原高斯分布模型在AD中的应用，现在再来看看多元高斯分布在AD中的应用。如下所示：