Stanford机器学习---第十三讲. 异常检测---此讲综合应用了所有以往知识

=============问题描述============

====================高斯分布===================

==============检测算法==================

===============具体实现=====用评估算法来确定参数的选择=========

================Anomaly Detection vs. Supervised Learning===========

1.当有Y值时，为和不直接用Supervised Learning算法（回归，神经网络）去检测异常呢？

1）YES远小于NO时

2）当异常的特征五花八门时

此2种情况用异常检测。而对于SPAM EMAIL这种情况，SPAM EMAIL很多，

所以Supervised Learning算法有大量机会学习。

而Anomaly Detection 实际从大量的NO例子中学习！！

2.当使用Anomaly Detection 算法的NO大量增多时，可用Supervised Learning

=============Choosing What Features to Use===================

1.对于非高斯分布的特征，要用一些转化函数处理成高斯分布的后再用

2.小例子

3.当异常检测错误时（错误时的概率值还比较大，不好区分，如绿×），可考虑引入新的特征来区分该错误。

4.特征选择

选容易出现极大、极小值的作为特征。如在数据中心，也可用CPU/NETWORK,

作为特征，表示机器死循环。

==========Multivariate Gaussian Distribution =================

1.可弥补上面算法的某些不足。如单看特征X1,X2（绿×）好像都没错。但整体来看，

实际是不正常的。

2.该方法把X（特征向量）看作一个整体。带入公式去算概率

3.下面几个图反映了特征间的相关性（不再单独以X1,X2考虑）

===============Anomaly Detection using the Multivariate Gaussian=======

1.注意公式

2.计算过程

3.当且仅当新模型的“西格玛”，下上三角都为0时，才和旧模型等价

4.原始方法：想工作好要加特殊参数（X3),不过其计算代价小。而新方法要求M>>N才好。

但其自动考虑了特征间的相关性。注意，如果矩阵不可逆，以为着特征直接并非全线性

无关。