- 博客(5)
- 收藏
- 关注
RSS订阅转载 异常检测——基于相似度的方法
异常检测——基于相似度的方法主要内容包括：基于距离的度量基于密度的度量文章目录异常检测——基于相似度的方法1、概述2、基于距离的度量2.1 基于单元的方法2.2 基于索引的方法3、基于密度的度量3.1 k-距离（k-distance(p)）：3.2 k-邻域（k-distance neighborhood）：3.3 可达距离（reachability distance）：3.4 局部可达密度（local reachability density）：3.5 局部异常因子：参考资料1、概述 “
2021-05-20 23:02:42
117
转载 异常检测——线性相关方法
异常检测——线性相关方法主要内容包括：线性回归主成分分析1、引言 真实数据集中不同维度的数据通常具有高度的相关性，这是因为不同的属性往往是由相同的基础过程以密切相关的方式产生的。在古典统计学中，这被称为——回归建模，一种参数化的相关性分析。 一类相关性分析试图通过其他变量预测单独的属性值，另一类方法用一些潜在变量来代表整个数据。前者的代表是 线性回归，后者一个典型的例子是 主成分分析。本文将会用这两种典型的线性相关分析方法进行异常检测。 需要明确的是，这里有两个重要的假设： 假
2021-05-17 22:25:37
125
转载 异常检测——基于统计学的方法
异常检测——基于统计学的方法1、概述统计模型是对数据的正常性做出假设，不遵守该模型的数据都是异常点。 高度依赖模型假设**异常检测的统计学方法的一般思想：**学习一个拟合给定数据集的生成模型，然后识别该模型低概率区域中的对象，把它们作为异常点。根据如何指定和学习模型，异常检测的统计学方法可以划分为两个主要类型： 参数方法 和 非参数方法 。参数方法假定正常的数据对象被一个以Θ\ThetaΘ为参数的参数分布产生。该参数分布的概率密度函数f(x,Θ)f(x, \Theta)f(x,Θ)给出对象xxx被
2021-05-14 22:31:06
159
翻译 pytorch官方案例(2)-Tensors基本操作
Tensorstensors(张量)时一个特殊的数据结构他和矩阵数组相似。在pytorch中使用tensor作为模型的输入，输出，参数。1. 初始化Tensor直接来自数据numpy转换另一个tensor转换随机值或常数import torchimport numpy as np# 直接来自数据data = [[1,2],[3,4]]x_data = torch.tensor(data)# numpy转换np_array = np.array(data)x_np = tor
2021-05-01 19:52:11
352
翻译 Pytorch官方文档(1)-快速入门
文章目录pytorch快速入门1. 数据准备2. 模型创建3. 定义优化器和损失函数4. 模型存储5. 加载模型pytorch快速入门这个一小节, 包含了机器学习中的基本流程数据准备创建模型定义优化器保存模型参数加载模型1. 数据准备pytorch有两个处理数据的工具:torch.utils.data. DataLoader和torch.utils.data. DatasetDataset存储样本及其相应的标签，而DataLoader在数据集上包装一个可迭代对象。import to
2021-04-25 22:02:26
535
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人