lhy机器学习（五）： ML Lecture Anomaly Detection （异常检测）（二）

最新推荐文章于 2024-11-01 13:10:19 发布
最新推荐文章于 2024-11-01 13:10:19 发布
阅读量176 收藏
点赞数
分类专栏： 机器学习 文章标签： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wzn19930319/article/details/99458918
版权

并不是我们所有时候用分类器来进行异常检测都是好的，比如分类猫和狗，如果输入羊之类的，既没有猫的特征也没有狗的特征，就会把他放在边界上，信心分数就比较低。

那么有些东西比猫还像猫，比如老虎，比狗还像狗，比如狼，他们本应该信心分数比较低，因为他既不是猫也不是狗，但是却在猫和狗的特征上比猫和狗更强烈，因此会给分类器很大的信心分数。

那怎么解决这种问题呢

下面文献给出了一定思路，就是在给机器看这是正常的资料的同时，又给看一些异常的资料，那异常资料哪里来呢，可以使用生成模型进行模拟，生成一些看起来像正常的数据，但是他跟正常数据又有些不同，就像猫和虎一样，就是在训练的时候不仅仅给他看正常数据，同时还给他看一些异常的数据

Jacky_WZN
关注
专栏目录
lhy机器学习（五）： ML Lecture Anomaly Detection （异常检测—有标签）（一）
wzn19930319的博客
08-13 616
李宏毅机器学习之Anomaly Detection 要解决的问题 给定一个数据集，我们想要找到一个函数可以区分输入x是否相似于数据集 什么是异常 异常侦测的应用 为什么不用二分类来侦测异常呢，正常的为一类，异常的为一类 如果正常的一类就是我们的训练数据集，拥有共性和相近的特征，那异常的一类里面的东西就太离散了，你根本无法穷举所有的异常，换句话说，不是正常的就都是异常，这也是...
lhy机器学习（五）： ML Lecture Anomaly Detection （异常检测—无标签）（三）
wzn19930319的博客
08-13 508
异常检测（无标签） 有一个项目，就是所有玩家联网共同控制游戏主角进行游戏， 那大家就很崩溃，因为有人的行为与多数玩家不同，阻挠大家破关 现在我们的问题是没有lable，我们就可以用生成模型，代表某个玩家做出这些行为的几率有多大，当我们发现某个玩家x做出的行为与大家不同，就是在概率模型的分布中小于某个λ阈值，那就是异常的 在正常玩家的分布中，距离概率分布的最高点越近，...
lhy机器学习（二）： ML Lecture 5 Logistic Regression（逻辑回归）（二）
wzn19930319的博客
08-13 184
1.对比判别模型（逻辑回归）和生成模型（有多元高斯分布假设前提的贝叶斯） 虽然两种模型的公式一样，但是由于判别模型没有假设前提，而生成模型有假设前提，两种模型求出的w和b的值是不一样的！，这里就记住他们虽然公式一样，但是两种模型求出的w和b不一样就行了~ 为什么使用生成模型（贝叶斯）求出的结果跟我们实际的不一样呢，这是因为在我们取的样本中，Class2的样本里面没有两个都是1的情况，但是如...
lhy机器学习（二）： ML Lecture 5 Logistic Regression（逻辑回归）（一）
wzn19930319的博客
08-13 183
ML Lecture 5 Logistic Regression（逻辑回归）（一） 1.逻辑回归模型 我们看到逻辑回归公式如下 代表样本x属于C1的概率，利用极大似然估计做出损失函数L（w,b），L（w,b）取ln然后取-号，其实就是使L（w,b）最大转换为使-ln（L（w,b））最小。 上图推导就是为了说明交叉熵与我们的L（w，b）的关系，于是我们的损失函数...
lhy机器学习（六）： ML Lecture 10 Convolutional Neural NetWork （卷积神经网络）
wzn19930319的博客
08-16 206
1.为什么要用CNN 对于一般的神经网络，在图像分类上，我们期望把每个神经元当做一个分类器，每个分类器输出不一样的特征，但是假如输入是一个3*100*100（3是rgb）的输入，我们如果第一层有1000个神经元，那么第一层就有3*100*100*1000个参数，那样参数就太多了 cnn就是可以简化这个过程，使得不用那么多参数 对于每一个神经元来说，比如某个神经元是寻找鸟嘴的特征，那...
lhy机器学习（三）： ML Lecture 6 Brief Introduction of Deep Learning（神经网络）
wzn19930319的博客
08-13 208
神经网络 看看各大神经网络模型的层数把~ 让我们再回顾一下神经网络的结构，这地方我就不赘述了，根据ppt就能看懂 再看一下图像识别的流程，就是把一个图片的像素拉成一个向量，如图就是把256个像素拉成一个向量，代表256个特征，根据256个特征输出识别的值，这是个多分类任务，输出1-10的概率中2的概率最大，那就是2 通常神经网络结构构建是需要经验的， 在数字...
lhy机器学习（四）： ML Lecture 7_ Backpropagation（反向传播）
wzn19930319的博客
08-13 170
反向传播 当神经网络层数很多，每一层又有很多神经元时，参数就异常的多，我们为了实现梯度下降，就要求L（参数1，参数2...）对所有参数的微分，，假如有一百万个参数，每次梯度下降就要求100万次微分，这个计算量可想而知 反向传播就是为了解决在求损失函数对参数的微分计算量太大的问题，基于链式法则，我们先回顾一下链式法则 下面就是反向传播的计算过程 上面的dC/dz...
lhy机器学习（一）：ML Lecture 4 Classification 概率生成模型（Probabilistic Generative Model）
wzn19930319的博客
08-13 247
生成模型（Generative Model） 为了求给的x是C1类的概率，先看如下公式 以Class1（简称C1）为water水系宝可梦，Class2（简称C2）为Normal一般系宝可梦为例，我们现在要求取出一个x海龟宝可梦，他是水系宝可梦的概率是多少 红框的项很好算，就是如下 此时P（C1）和P（C2）已经很easy算出来，根据上面的P（C1|x）公式，为了求x（海龟）属...
2023春季李宏毅机器学习笔记 02 ：机器学习基本概念
女王の专属领地
01-02 840
课程主页：https://speech.ee.ntu.edu.tw/~hylee/ml/2023-spring.php Github：https://github.com/Fafa-DL/Lhy_Machine_Learning B站课程：https://space.bilibili.com/253734135/channel/collectiondetail?sid=2014800
DeepLearning_LHY21_Notes:深度学习李宏毅2021学习笔记
03-12
最后，笔记还会涉及到强化学习，这是一个机器学习领域，通过与环境的交互来学习最优策略。学习者将学习Q-learning、Deep Q-Network (DQN)、策略梯度方法和Actor-Critic算法，并理解它们在游戏AI、机器人控制等领域的...
LHY-2020-:课程安排：http
03-30
LHY-2020-深度学习-笔记 总课程设置： ://speech.ee.ntu.edu.tw/~tlkagk/courses_ML20.html 每章的视频，笔记，作业范例，说明，代码，补充知识点 01_课程简介 视频：Introduction（课程概述），Rule（助教介绍工具...
李宏毅2020机器学习课程课后作业要求+代码.zip
03-14
二、机器学习基础概念 机器学习是人工智能的一个分支，主要目标是让计算机通过学习数据来改善任务的完成效果。李宏毅教授的课程可能涵盖了监督学习、无监督学习和强化学习三大类别。监督学习包括了线性回归、逻辑...
Lhy_DB:fmdb_sqlite
04-29
《深入理解Objective-C中的Lhy_DB与SQLite应用》 在iOS开发中，数据持久化是不可或缺的一部分，SQLite作为轻量级的关系型数据库，被广泛应用于移动设备上。本文将围绕"Lhy_DB"这一Objective-C库，探讨如何通过运行...
LHY机器学习笔记-4
白马非马的博客
09-18 440
文章目录lhy机器学习笔记-4深度学习三个步骤神经网络完全连接前反馈神经网络 FC矩阵运算模型评价选取最优函数Backpropagation以单个神经元为例考虑forward passbackward passsummary lhy机器学习笔记-4 深度学习三个步骤 神经网络 -> 模型评估 -> 选择最优函数 神经网络 神经网络可以有很多不同的连接方式，这样就会产生不同的结构（structure） 神经网络中的所有的 权重 和 偏置 构成了 神经网络的参数 θ 完全连接前反馈神经网络 FC 前
【小白学机器学习29】 概率统计与图形 ( hist, bar, pie , box ,scatter ,line)
奔跑的犀牛先生
10-31 478
每个饼分位多个分块，每个分块大小不同，每个分块还可以分尖端和后面2部分。根据饼状图来的，南丁格尔玫瑰图。频度分布表：概率分布的雏形吧。
【机器学习】18. 反向传播 Backpropagation algorithm, 学习率，动量Momenetum, Xavier，梯度消失
最新发布
weixin_48846514的博客
11-01 1040
反向传播 Backpropagation algorithm, 学习率，动量Momenetum, Xavier，梯度消失
人工智能—机器学习-图像处理
中段丸家
10-31 1041
使用深度学习算法来分析医学影像（如X光、CT扫描、MRI），帮助医生更快、更准确地做出诊断。：图像处理技术在自动驾驶汽车中至关重要，用于识别路标、行人和其他车辆。：通过机器学习分析监控视频，实时检测异常行为或可疑活动，提高安全性。：在身份验证和安防领域广泛应用，尤其在金融服务和个人设备解锁中。：利用图像处理技术提升用户体验，实现更沉浸的互动环境。
CNN-Attention分类预测 | Matlab实现多特征分类预测
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
10-31 495
CNN-Attention分类预测 | Matlab实现多特征分类预测
机器学习-期末考核-深度学习
小镇做题家
10-31 945
调整注意力能够提高注意力表现的理论基础主要包括以下几个方面：（在这里阐述我自己的学习重点，我在拼多多上面买了很多本书，但是这些书，这些书，这些书，我几乎不可能进行一个通篇阅读，因为，进入到一个信息化社会，导致我们自己是没有办法能够，依靠这些错杂的信息，实现自己的前进。后来因为今年5月接触，人工智能之后，人工智能从最大程度上面降低我自己的信息复杂度。ai的核心价值，降低我的信息获取的复杂度。
Xcos与Modelica合作教程：构建LHY药物滥用模型
此外，所有相关的代码样本都可以从OpenEngineering网站下载，以便读者在实践中学习和复制。 通过这一系列步骤，读者将学到如何： 1. 将Scilab的模型转换到Xcos的图形化界面。 2. 使用Modelica的语法规则创建或导入...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值