本文介绍了异常检测在机器学习中的应用，特别是非监督学习场景下如何通过建立模型检测新样本是否异常。通过对发动机特征的分析，阐述了异常检测的基本概念和定义，并提到使用概率模型进行异常判断的方法。
本文重点
异常检测问题，这是机器学习的一个常见的应用，它虽然主要用于非监督学习问题，但是从某些角度来看的话，它又类似于一些监督学习的问题。
异常检测是什么？
假如我们要检测汽车发动机是否是正常的，发动机的特征如下：
X1=发动机运转时的震动
X2=发动机运转时的转速
x3=发动机运转时的耗油量
…
Xn=…
假设现在我们有m个样本x(1)、x(2)...x(m)
如果只考虑每个样本的两个特征x1、x2，我们将其进行可视化
上图中的每个×都是我们数据集中的一个样本，都是无标签数据，当有一个新的发动机生产出来，那么异常检测是否可以检测出这个发动机有异常。
蓝色的和绿色的都是新样本
就比如说蓝色新发动机，它和以前的发动机好像很相似，而绿色新发动机，它和以前的发动机不是很相似，所以我们有理由怀疑它有问题
异常检测的定义
假如有m个正常样本，然后需要一个算法来确定一个新的样本数据Xtest是否是异常的。我们采取的办法是给定无标签的训练集，我们
订阅专栏 解锁全文
962
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
