Andrew Ng chapter16 异常检测

高斯分布

异常检测算法

独立性假设思想

评估方法

用实际带label的数据去做处理

与监督学习的区别和用法

一是数据不平衡时使用，二是反例案例没有规律可循时使用。

特征处理

原则上特征应该符合高斯分布，可以通过log等方法将不符合高斯分布的函数转化成符合高斯分布。

比如下面，从左图到右图的变化，即是通过增加一个特征，来达到区分。

多变量高斯分布

像这种数据分布的很窄，直接对单个变量做概率分析，可能结果会是大圈，与实际值偏差较多。


可以捕获到不同特征之间的相关关系（但是这种关系又不是像X1=X2，X1=X2+X3这种互相影响的冗余特征），指的是不同的缩放？



当符合协方差的上述表达式时，多变量高斯分布就和原始的model是一样的。原有的模型其图形方向是沿坐标轴方向，即不同特征之间不能建立相关性。

样本必须大于特征数，没有冗余特征，才能使用多变量高斯分布。