Anomaly Detection（异常检测）的原理及最新的技术应用（李宏毅视频课整理和总结）_异常检测算法的原理(2)

{

x

1

,

x

2

,

⋯

,

x

N

}

\left{x^{1}, x^{2}, \cdots, x^{N}\right}

{x1,x2,⋯,xN}和一组异常的数据

{

x

~

1

,

x

~

2

,

⋯

,

x

~

N

}

\left{\tilde{x}^{1}, \tilde{x}^{2}, \cdots, \tilde{x}^{N}\right}

{x_1,x2,⋯,x~N}，一起训练一个二分类的分类器。但是有个问题是异常数据并不是一种类型，无法视为一个class，只要是非正常的都是异常，如下图所示。而且实际中的异常数据也是小概率事件的，比如网络攻击，比如诈骗交易，会有正负样本不均匀的情况：

给定训练数据，并且带有某种类型的label

{

y

^

1

,

y

^

2

,

⋯

,

y

^

N

}

\left{\hat{y}^{1}, \hat{y}^{2}, \cdots, \hat{y}^{N}\right}

{y^​1,y​2,⋯,y^​N}，使用这些数据先训练一个classifier。数据和label中并没有unknown，但是期望classifier在遇到一个未知数据时能给出unknown的判定。也被称为Open-set Recognition。

还有一种是训练数据是没有标签的，通过相似度来判断异常数据。这里面又分两种情况，一种是训练数据是clean，一种是polluted。

2 With Classifier

2.1 Base Method

给定一组Simpsons家族人物的数据，判断

x

x

x是否来自该家族：

而且这些数据都是有label的，可以训练一个Simpsons的家族分类器，输入人物图片，可以输出名字：

有了Classifier之后，期望使用这个来做异常侦测。输入一个人物，判断其是否属于Simpsons家庭。做法是输入

x

x

x之后，输出

y

y

y的同时输出一个信心分数

c

c

c，通过和设置的阈值

λ

\lambda

λ进行比较来判断是否异常，小于则是异常：

development set：用于训练过程中，指导调整超参数的样本集，使用起来类似于测试集。这个数据集中有labelled正常数据和异常数据。计算模型在这个数据集上的效果，来调整阈值lamda和其他超参数。

具体举例如下。当输出概率比较集中，最高的分数比较高的时候就是正常；概率比较平均，最高分数比较低就是异常：

也可以使用熵值或者其他方式来描述。

老师做了实验，结果也可以得到验证：

只是机器常常会把异常图片辨别为“柯阿三”这个人物，因为这个人物本身就和其他正常数据差距略大：

2.2 Evaluation

那么怎么评估模型的好坏呢？ 给定100张正常simpsons家族图片和5张其他动漫图片，得到了以下结果。蓝色表示simpsons家族的得分，红色表示其他动漫的得分。因为样本不均衡的原因，所以使用accuracy是不准确的，因为负样本只有5个，对accuracy几乎无影响。

假设lamda设置在0.5-0.6之间，可以得到如下的混淆矩阵：

如果设置在0.8-0.9可以得到另外的混淆矩阵：

假阴性和假阳性都是我们不需要的，但是到底哪一个更重要，可以根据实际情况进行权重的调整。不同的任务，计算cost的方式也不一样：

2.3 More

2.3.1 Possible Issues

但是刚刚的方法也有一些问题。比如假设有一个classifier，可以区别猫和狗。classifier对于输入比如食蚁兽和羊驼来说，确实可以检测出他们是异常数据。但是对于老虎和狼，这些生物在猫和狗的特征上特别强烈，以至于classifier很难将它们挑出来。

所以会不会某些特征，比如颜色，会特别影响分类结果呢？老师将一些图片涂黄之后就会使得识别为simpsons家族的概率提高：

2.3.2 Network for Confidence Estimation

刚刚那种方法虽然简单，但是效果是不错的。还有另外一种更好的方法，即学习一个网络可以直接输出信心分数：

2.3.3 Obtain Anomaly

异常数据是难以获得的，所以有人考虑一种生成器可以生成一些异常资料：

3 Without Labels

就是指的训练数据是没有标签的。假设很多人可以同时操作一个游戏角色，那么多数玩家都是期望游戏可以正常进行的，而假设存在一些玩家恶意阻止游戏进行，那么考虑怎样检测出来。给定一组训练数据，给定input

x

x

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里无偿获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！