异常检测:根据输入数据,对不匹配预期模式进行识别。
应用举例:欺诈检测,入侵检测,缺陷基本检测,生态系统中灾害的发生。
监督式异常检测:提前使用“正常”与“异常”标签数据对模型进行训练,机器基于训练好的模型判断新的数据并标记,进行分离。
无监督式学习,概率密度函数
在连续分布事件中,用于描述连续随机变量的输 出值在某个稳定的取值点附近的可能性的函数,通过其可计算取值点附近区间发生事件 的概率。
现实生活中,很多事件发生的频率都符合高斯分布。
异常检测:根据输入数据,对不匹配预期模式进行识别。
应用举例:欺诈检测,入侵检测,缺陷基本检测,生态系统中灾害的发生。
监督式异常检测:提前使用“正常”与“异常”标签数据对模型进行训练,机器基于训练好的模型判断新的数据并标记,进行分离。
无监督式学习,概率密度函数
在连续分布事件中,用于描述连续随机变量的输 出值在某个稳定的取值点附近的可能性的函数,通过其可计算取值点附近区间发生事件 的概率。
现实生活中,很多事件发生的频率都符合高斯分布。