只利用输入样本的无监督异常检测方法:
- 局部异常因子
- 支持向量机异常检测
- 基于密度比的异常检测
1.局部异常因子:
概念:指对偏离大部分数据的异常数据进行检测的方法。
步骤:
可达距离:
表示训练样本中距离x的第k近的样本。
局部可达密度:
,
当x的训练样本密度值很高的时候,局部可达密度的值也较大。
局部异常因子
值越大,x的异常度就越大。
个人理解:与K近邻方法类似,寻求与目标点距离近的的K个点中的最大值。当K值固定,如果距离其他点越远,就说明这个点与其他点在的位置越不一样,也就是越异常。
2.支持向量机异常检测
支持向量机异常检测器:在无监督学习的异常检测中引入学习要素。
核心:求出几乎包含所有训练样本的超球,并将没有包含在超球内的训练样本看作是异常值。
步骤:
求解最优化问题:
![]()
求解 :
3.基于密度比的异常检测
弱监督异常值检测:在给定已知是正常值的样本情况下,如何找到测试样本中包含的异常值。
步骤:
计算密度比:
, 其中
是正常样本的概率密度,
是测试样本的概率密度
密度比,对于正常样本会输出接近1的值,对于异常样本则会输出和1相差较大的值。
然而,当分母较小的时候,分子的误差会相应的增加。
对此,需要不计算概率密度而直接进行密度比估计的KL散度密度比估计法。