在实际情况中，输入样本不免存在异常，这对学习过程是十分不利的，减缓这个问题的方法分两种，一种是在学习前就检测出异常并剔除，另一种是提高学习方法的鲁棒性（啊哈哈哈，这么奇怪的字眼，就是抗干扰能力，方法有l1，l2约束等等）
异常检测篇
1.局部异常因子
计算每一个样本的密度比上它邻近k个样本的密度的平均值
具体算法：
异常点/离群点检测算法--LOF - wangyibo0201的博客 - CSDN博客blog.csdn.net
代码：
评价：基于近邻密度的比较来找出离群点，但近邻K难以确定
事先规定的规则可能与用户的期望不相符
算法第一步需要算出所有样本距离，若样本n较大，计算负荷相应增加
2.支持向量机异常检测。
求出一个几乎包含所有训练样本的超球，没有包含在球中的样本被看做异常值
so如何求球心和半径变得很明确（球要包含大部分的样本）
通过转化为拉格朗日对偶问题，，。
求偏导为0
求偏导为0，转为2次规划问题求a
最后得出结论
评价：正则化参数C比较难选择
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
