异常值检测方法综述

最新推荐文章于 2025-10-10 14:39:06 发布
原创 最新推荐文章于 2025-10-10 14:39:06 发布 · 165 阅读 · 0 ·
CC 4.0 BY-SA版权
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。

本文深入探讨了数据挖掘中的异常检测方法，包括基础理论与三种实用技术。通过对异常值检测的逐步解析，帮助读者理解如何在实际数据分析中识别并处理异常数据，提升数据质量。
异常检测：综述（基本都是无监督算法）【时间序列算法：AR/MA/ARMA】【传统机器学习算法：孤独森林、One Class SVM】【深度学习算法：AutoEncoder、LSTM、DeepLog】
u013250861的博客
04-21 2749
对时间序列数据异常检测的算法选择策略：算法的选择不是随意的，也不是漫无目的地试错获得的。而是通过对业务和数据了解后，初选多个候选算法，然后通过训练和评估选择最优组合。 稳定序列（stationary series）：可直接使用机器学习算法(孤独森林，SVM等)和深度算法(DeepLog、Auto-Encoder等)。 非稳定序列（non-stationary series）:可直接使用时间序列模型(AR/MA/ARMA/ARIMA/Holt winters等）和深度算法；也可以进行下面处理后再使用无监督机
【2022工业图像异常检测文献】工业图像异常检测综述
qq_1532145264的博客
10-15 2737
Deep Learning for Unsupervised Anomaly Localization in Industrial Images: A Survey
数据预处理之异常值检测1
2301_81072514的博客
05-22 1389
数据预处理
异常检测综述（Anomaly Detection: A Survey）
一智哇的博客
04-28 2万+
异常检测；综述
1、异常值（outliers）检测综述：定义、检测方法、影响、修正
qq_34120015的博客
05-22 5257
一、异常值定义   在数据科学项目、统计分析、机器学习应用中检测异常值非常重要；   异常值，也称离群值，是指样本中的个别值,其数值明显偏离所属样本的绝大部分观测值。   异常值可以分成两种：单变量（Univariate） 和多变量（Multivariate） 二、导致异常值的原因   两大类原因：人为原因（Non-natural） 和自然原因（Natural ）。   人为原因（Non-natural）：比如常见的数据输入错误、处理错误、抽样误差等   详细地了解各种类型的异常值： 数据输入错误：人
异常检测主要方法总结
大柳的博客
10-17 1万+
详细陈述预测及异常检测方法。
37、异常值分析方法综述
alpha的博客
09-16 13
本文综述了多种异常值检测方法，包括极值分析、基于深度的方法、概率模型、聚类和基于距离的方法，详细阐述了各类方法的原理、优缺点及适用场景。通过对比分析，提出了针对不同数据特征和应用需求的方法选择策略，并结合金融、医疗、工业等领域的实际案例展示了异常值检测的应用价值。最后展望了未来在高维、大规模数据环境下异常值检测的发展方向。
17、宫颈癌症预测与异常值检测方法
最新发布
oo7890的博客
10-10 14
本文探讨了宫颈癌的预测方法与异常值检测技术。在宫颈癌预测方面，介绍了多元回归、逻辑回归及机器学习模型的应用，并强调结合HPV检测等医学指标提升预测精度。在异常值检测领域，综述了统计方法、聚类、距离和密度等主流方法，重点分析了DBSCAN算法及其改进算法DBSDCT的性能优势。提出将DBSCAN与决策树结合的DBSDCT方法，在减少噪声点和提高准确率方面表现优异。通过实验验证，该混合模型在鸢尾花数据集上显著提升了分类效果。未来可通过自动参数优化和集成学习进一步增强模型性能。
异常值检测
JingYi的专栏
01-04 4353
高斯分布与异常值检测
离群点检测方法_异常检测最新综述 上篇
weixin_28749363的博客
01-12 5091
异常检测最新的综述文，全文较长，一些没啥用的介绍之类的就不看了，直接截图出来好了。I. 介绍由于异常检测在数据挖掘中的广泛应用，因此仍然是数据挖掘中必不可少且广泛的研究分支。通过识别异常值，研究人员可以获得重要的知识，有助于做出更好的数据决策。同样，在异常检测[1]，[2]，网络安全检测[3]和健康诊断[4]、网络入侵等广泛的应用中，检测离群值可转化为重要的可操作信息，尽管异常的概念在提供清晰的定...
异常检测领域的综述文章
tensorflow mnist
08-11 2534
https://github.com/zhuyiche/awesome-anomaly-detection
异常检测算法综述
ping_xu1990的博客
08-06 4835
对现阶段业内常用的异常检测算法进行了较详细的综述。主要介绍四类方法：统计方法、指标预测法、无监督方法及有监督方法。
K-近邻算法： k-nearest neighbor classification (kNN) 详细介绍
热门推荐
chenhepg的博客
04-09 9万+
@创建于：2020.04.09 @修改于：2020.04.09，2024.06.22 文章目录1、kNN介绍2、k近邻法的三要素详解2.1 距离度量2.2 k值的选择2.3 分类决策规则3、k近邻法的实现：kd树4、Python实现过程5、优缺点6、常见问题 1、kNN介绍 kNN是一个基本而简单的分类算法，作为监督学习，那么KNN模型需要的是有标签的训练数据，对于新样本的类别由与新样本距离最近的k个训练样本点按照分类...
python 中 statsmodels模块的 API接口
chenhepg的博客
03-15 1万+
@创建于：20210315 @修改于：20210315 文章目录1、statsmodels API2、statsmodels.api3、statsmodels.tsa.api4、statsmodels.formula.api5、参考资料 1、statsmodels API statsmodels是Pandas生态系统（ecosystem）下Statistics and Machine Learning下的一个库。主要是偏传统频率学派统计方法，具体有下面三大主题组成。 statsmodels.api：横截面模
box-cox变换
chenhepg的博客
03-22 1万+
@创建于：20210322 @修改于：20210322 文章目录1、简介2、理论知识3、python使用4、参考文献 1、简介 Box-Cox变换是Box和Cox在1964年提出的一种广义幂变换方法，是统计建模中常用的一种数据变换，用于连续的响应变量不满足正态分布的情况。 Box-Cox变换之后，可以一定程度上减小不可观测的误差和预测变量的相关性。 Box-Cox变换的主要特点是引入一个参数，通过数据本身估计该参数进而确定应采取的数据变换形式，Box-Cox变换可以明显地改善数据的正态性、对称性和方差相等
机器学习之模型选择：模型选择指南、模型评估、模型评价
chenhepg的博客
04-08 1万+
创建于：@2020.04.08 修改于：文章目录1、背景2、机器学习模型选用指南2.1 分类问题2.1.1 速度慢，但准确2.1.2 速度快2.1.3 对支持向量机（SVM）内核的选择（来自吴恩达的课程）2.2 回归问题2.2.1 速度慢，但准确2.2.2 速度快2.3 聚类2.3.1 层次聚类分析2.3.2 非层次聚类分析2.4 降维2.4.1 主成分分析（PCA）2.4.2 主题建模2.5 s...
机器学习中的训练集、验证集、测试集；交叉验证方法
chenhepg的博客
08-26 1万+
@创建于：20210826 @修改于：20210826 文章目录1、数据集类型1.1 训练集1.2 验证集1.3 测试集1.4 验证集/测试集区别2、四种交叉验证方法2.1 留出法 （holdout cross validation）2.2 k 折交叉验证（k-fold cross validation）2.3 留一法（Leave one out cross validation）2.4 Bootstrap3、参考资料 1、数据集类型 数据是人工智能的基础，可以对其进行划分，以达到模型构建与训练的目的。本
欠拟合、过拟合现象，及解决办法
chenhepg的博客
05-27 9291
@创建于：2022.05.27 @修改于：2022.05.27 文章目录1、过拟合与欠拟合2、欠拟合2.1 出现的原因2.2 解决的办法3、过拟合3.1 出现的原因3.2 解决的办法4. Early stopping5、Dropout6、L1 和 L2 正则化7、参考资料 1、过拟合与欠拟合 机器学习中模型的泛化能力强的模型才是好模型。对于训练好的模型： 若在训练集表现差，不必说在测试集表现同样会很差，这可能是欠拟合导致； 若模型在训练集表现非常好，却在测试集上差强人意，则这便是过拟合导致的。 过拟合
现代异常检测技术综述
"A Survey of Outlier Detection Methodologies" 是一篇关于异常检测算法的综述文章，主要探讨了在计算机科学和统计学领域中用于识别和处理异常值的各种系统化技术。 异常检测是数据分析中的关键环节，其历史可以...
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