参考:
http://blog.163.com/zhoulili1987619@126/blog/static/353082012015211114642546/
统计方法
- 假设正常点和异常点都有一个分布。开始时,所有点都服从正常点的分布。然后,假设一个点是异常点,则它服从异常点的分布。计算前后的似然差异。如果较大,那的确是异常点。继续计算下一个点。
基于邻近度的离群点检测
- k近邻,计算距离
基于密度的离群点检测
- 计算密度
基于聚类的技术
- 某个簇的个数太少,则为离群点
本文探讨了离群点检测方法,包括基于邻近度、密度和聚类技术的离群点检测策略,详细解释了如何通过似然差异判断异常点,并概述了基于k近邻、密度计算和聚类技术的离群点检测方法。
参考:
http://blog.163.com/zhoulili1987619@126/blog/static/353082012015211114642546/
统计方法
基于邻近度的离群点检测
基于密度的离群点检测
基于聚类的技术
您可能感兴趣的与本文相关的镜像
Anything-LLM
AnythingLLM是一个全栈应用程序,可以使用商用或开源的LLM/嵌入器/语义向量数据库模型,帮助用户在本地或云端搭建个性化的聊天机器人系统,且无需复杂设置

被折叠的 条评论
为什么被折叠?