2020李宏毅学习笔记——56.Anomaly Detection（6_7）

从图中可以看到，P(x)大的玩家可能是正常玩家（左上角的点），反之是异常玩家。
下面要像更加精确的用数字来表达这个事情，就要用的MLE：
Assuming the data points is sampled from a probability density function fθ(x)
θ determines the shape of fθ(x)
θ is unknown, to be found from data

1.数学计算类啊

要找θ∗ 使得PDF最大：

我们假设分布是高斯分布

这个分布看上去很复杂，但是我们只需要把它看做是输入为向量x，输出是这个向量x被sample到的几率。Input: vector x, output: probability density of sampling x.
θ which determines the shape of the function are mean μ and covariance matrix Σ
公式（1）就可以写成：

公式（2）可以写成：
注：当然，也可以假设参数θ不是高斯分布产生的，可以是更加复杂的网络参生的
μ ∗,Σ ∗ 可以直接根据MLE的公式算出来，直接贴结果：
最后就可以把x代入下面的判断条件，来决定是否是异常玩家。
可视化后：
The colors represents the value of fμ∗,Σ∗(x) ,颜色月红越正常，越浅越异常。
由于我们是用向量来表示x，因此我们可以考虑不止两个维度：
x1 : Percent of messages that are spam (說垃圾話)
x2: Percent of button inputs during anarchy mode (無政府狀態發言)
x3 : Percent of button inputs that are START (按 START鍵)
x4 : Percent of button inputs that are in the top 1 group (跟大家一樣)
x5 : Percent of button inputs that are in the bottom 1 group (唱反調)
下面给三个实例，由于fμ∗,Σ∗(x)一般比较小，所以在前面加上log。