Machine Learning第九讲【异常检测】-- （三）多元高斯分布

一、Multivariate Gaussian Distribution（多元高斯分布）

数据中心例子：

 

因为上面的原因，会带来一些误差，因此我们引入了改良版的算法：
我们不再单独地将p(x1)，p(x2)，p(x3)训练模型，而是将这些参数都放在一个模型里，

下面用几张图形象的看一下高斯分布：

图一：μ取在原点，改变的值

 

图二：μ取在原点，改变左下-右上方向的值。

 

图三：改变μ的值，使其不在原点上：

二、Anomaly Detection using the Multivariate Gaussian Distribution

使用多元高斯分布的异常检测：

（1）通过利用μ和Σ拟合模型p(x)

（2）给出测试样本，利用公式，若p<ε，则将其标记为异常样本。

多元高斯分布模型和之前模型的关系：
之前的模型：

多元高斯分布模型：

原有的模型其图形方向是沿坐标轴方向，即不同特征之间不能建立相关性，若Σ只有对角线上有元素且其余元素为0，则多元高斯模型也可以用之前的模型表示，即若Σ是下面的形式，则二者等同： 

                                                 

下面是之前的模型和多元高斯模型的比较：

通常情况下，左边的模型比较常用，一般手动增加一些特征。但是若m很大，n很小，即能够很好地满足m≥10n，则右边的模型也是值得考虑的，使用右边的模型可以省去手动建立新特征的时间。