非监督学习

聚类Clustering

查看大量数据点，自动找到彼此相关或相似的数据点

K-means算法

原理

1.随机选择点，找聚类的中心位置。将点分配给簇质心
2.移动簇质心


不断重复这两个步骤

优化目标

成本函数=失真函数distortion
在每次迭代中，失真成本函数应该下降或者保持不变

初始化K-means

在顶部选择不错的集群，不太优越的局部最小值在底部
和局部最小的个数有关，只要随机后跳出较小的局部最小域，就是一次优化

选择聚类数量K

Elbow method

使用各种K值运行K-means，将成本函数/失真函数J绘制为数字的函数集群

发现异常事件

异常检测算法会查看未标记的正常事件数据集，从而学会检测异常事件，发出危险信号

密度估计检测异常

为X的概率建立一个模型，找出具有高/低概率的特征X1和X2，

这种类型的欺诈检测既用于查找虚假账户，也经常使用这种算法来尝试识别金融欺诈，例如是否存在非常不寻常的购买模式。也用于制造业，监视集群和数据中心的计算机

高斯正态分布

当一个特征或数量关系受到多个相关或不相关的因素共同影响时，它一定服从正态分布

异常检测算法

密度估计

开发与评估异常检测系统

实数评估

如果能以某种方式快速改变算法，比如改变特征或改变一个参数，并且有一种计算数字的方法可以告诉你算法是好是坏，那么它使决定是否坚持对算法的更改变得容易得多。
尽管主要讨论的是未标记数据，但稍微改变一下这个假设，并假设我们有些标记数据，通常包括少量以前观察到的异常。

相当于用无标注的训练集训练出一个特定均值和方差的正态分布，并默认两端的极值是不正常的。再通过测试集来调整阈值，使得阈值之上的都是正常的，阈值之外的都是不正常的。

这种替代方案的缺点是，在调整算法后，没有公平的方法来判断它在未来示例中的实际效果如何,因为没有测试集。但是当数据集很小的时候，特别是有异常的数量时，数据集很小，这可能是最好的选择

异常检测与监督学习对比

本质区别：一个反向排除，一个正向学习
异常检测试图找到全新的正面示例，这些示例可能与以前见过的任何东西都不一样
监督学习会查看正面示例，并尝试确定未来示例是否与已经看到的正面示例相似

选择使用什么特征

非高斯分布→高斯分布
对训练集转换后，交叉验证和测试集数据也应用相同的转化
训练模型，再查看算法未能检测到交叉验证集中的哪些异常