机器学习----无监督学习算法之异常检测

最新推荐文章于 2025-07-07 22:33:10 发布
原创 最新推荐文章于 2025-07-07 22:33:10 发布 · 1.2w 阅读 · 24 ·
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。
文章标签：

#机器学习 #无监督学习 #异常检测

本文探讨了异常检测中的无监督学习方法，特别是基于高斯分布的策略。介绍了如何评估异常检测系统，强调了异常检测与监督学习的区别，并详细讨论了异常检测的参数选取，包括如何处理非高斯分布属性和选择有用特征。同时，解释了多元高斯分布的概念及其在异常检测中的应用。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

（一）异常检测---基于高斯（正态）分布

m个训练样本，每个样本有n个features

即m个样本的每个属性集都呈现高斯分布，因此有以下计算：
例子如下：

（二）评价异常检测系统

将所有数据按照60%,20%,20%的比例分成三部分，分别为training set、cross validation set和test set
最低0.47元/天 解锁文章

200万优质内容无限畅学
无监督学习：异常检测与剔除（局部异常因子法 & SVM异常检测器）
沈春旭的博客
06-14 7577
1.前言 前面介绍的都是有监督学习的回归和分类算法。有监督学习是指对输入和输出都有成对出现的训练样本{（xi,yi）}。在这里，主要介绍在没有输出信息时，只利用输入样本{xi}的信息进行无监督学习的方法。本篇博客重点讨论删除样本{xi}中包含异常值的方法。 异常值检测，是指找出给定的输入样本{xi}中包含的异常值的问题。虽然再有监督回归和有监督分类里面我们也研究了对异常值具有较高鲁棒性的学
【机器学习】利用Autoencoder进行无监督异常检测（含代码）
wzk4869的博客
04-08 5074
【机器学习】利用Autoencoder进行无监督异常检测（含代码）
【机器学习笔记 Ⅲ】3 异常检测算法
最新发布
weixin_44077623的博客
07-07 617
的样本（离群点）的技术，广泛应用于欺诈检测、故障诊断、网络安全等领域。异常检测是识别数据中。
AIOps指标异常检测之无监督算法
HarmonyCloud_的博客
07-26 1239
随着系统规模的变大、复杂度的提高、监控覆盖的完善，监控数据量越来越大，运维人员无法从海量监控数据中发现质量问题。智能化的异常检测就是要通过AI算法，自动、实时、准确地从监控数据中发现异常，为后续的诊断、自愈提供基础。...
深度探索：机器学习中的高斯混合模型（GMM）原理及其应用
热门推荐
qq_51320133的博客
04-19 1万+
高斯混合模型凭借其强大的概率建模能力和广泛应用前景，在机器学习领域占据重要地位。尽管存在参数选择难题和局部最优风险，但通过结合先验知识、使用合适的初始化策略、引入贝叶斯框架或与其他算法（如深度学习）融合，可以有效提升GMM的性能和泛化能力。随着计算资源的增长和算法研究的深入，高斯混合模型及其变种有望在更大规模、更高维度、更复杂结构的数据分析任务中发挥关键作用。同时，对模型选择、优化算法和混合模型族的理论研究也将持续推动该领域的进步。
论文研究-一种基于聚类的无监督异常检测方法.pdf
09-11
论文主要考虑多用户的MIMO-OFDM问题，以使得各个用户更公平有效地分配网络资源。文章首先给出MIMO-OFDM模型，然后引入反映用户满意程度的效益函数，并给出在MIMO-OFDM模型下的效益函数具体形式。其次，进行资源分配，重点考虑OFDM的各个子载波该分配给哪个用户，以及总功率该如何分配给各个子载波，从而实现系统的最优化。最后，文章给出了仿真结果，并着重对仿真结果进行了详细的性能分析。
机器学习 - GMM高斯混合模型
呵呵
07-28 2684
高斯混合模型
从0开始机器学习--Day30--异常检测算法
Chef_Chen的博客
11-19 928
这里说的特征选取实际上是在第一次算法运行之后进行选择，当我们运行算法后，发现异常样本的特征值落在了正常样本的范围里，此时就需要我们返回训练集，通过观察其特征，试图加入一个新的特征（例如，可以通过构造一个数，其值通过正常数据特征除以异常数据特征计算得出的新特征，这样其比值变化便能帮助我们筛选出异常样本）来让算法在保证其他结果不变的情况下，筛选出这个异常样本，使其在后续拟合的函数中落在边界之外。在之前，我们有提到过可以通过在算法应用的结果里加入一个返回值来评估算法优化的好坏，在这里我们用来评估异常检测系统。
机器学习-kNN算法
12-15
kNN，全称为K最近邻（K-Nearest Neighbors），是机器学习领域中最基础且直观的算法之一。它属于监督学习方法，主要用于分类和回归问题。kNN算法基于一个简单的思想：未知类别的样本可以被分类为其最近的k个已知类别...
无监督机器学习异常检测技术在智能监控领域的应用展望.pdf
09-24
文章然后介绍了基于孤立森林和深度神经网络的无监督机器学习异常检测方法，并对其进行了离线算法工程实践，以验证异常检测特征提取方法、机器学习离线算法模型，并结合农业银行正在建设的智能运维平台流处理智能告警...
基于监督学习+无监督学习实现的阶梯网络深度学习算法-附项目源码.zip
05-30
无监督学习的目标是从数据中发现隐藏的结构或模式，通常用于聚类、降维和异常检测等任务。常见的无监督学习算法有K-means、主成分分析（PCA）和自编码器（Autoencoder）。 阶梯网络（Staircase Network）是一种特殊...
【机器学习】高斯分布
zxiaohui666
03-01 798
1.单变量高斯分布单变量高斯分布概率密度函数定义为： p(x)=12πσ−−−√exp{−12(x−μσ)2}(1.1)式中μ为随机变量x的期望，σ2为x的方差，σ称为标准差： μ=E(x)=∫∞−∞xp(x)dx(1.2)σ2=∫∞−∞(x−μ)2p(x)dx(1.3)可以看出，该概率分布函数，由期望和方差就能完全确定。高斯分布的样本主要都集中在均值附近，且分散程度可以通过标准差来表示，其越大，...
机器学习笔记之高斯混合模型(一)模型介绍
静静的学习就好
09-08 3032
上一系列介绍了EM算法，本节将介绍第一个基于EM算法求解的概率生成模型——高斯混合模型(Gaussian Mixture Model,GMM)。
【机器学习基础】概率分布之高斯分布
天堂的鸽子
09-29 1911
本系列为《模式识别与机器学习》的读书笔记。 一，多元高斯分布 考虑⾼斯分布的⼏何形式，⾼斯对于 x\boldsymbol{x}x 的依赖是通过下⾯形式的⼆次型公式(2.30)： Δ2=(x−μ)TΣ−1(x−μ) \Delta^{2} = (\boldsymbol{x} - \boldsymbol{\mu})^{T} \boldsymbol{\Sigma}^{-1}(\boldsymbol{x...
机器学习笔记之高斯网络(一)基本介绍
静静的学习就好
11-24 1737
本节将介绍高斯网络
机器学习笔记之高斯分布(四)基于高斯分布的推断问题介绍
静静的学习就好
11-20 1143
本节将介绍高斯分布相关的推断问题。
每天五分钟机器学习：高斯分布模型和多元高斯分布模型的比较
huanfeng_AI的博客
01-04 481
它计算量比较小，所以它可以计算大量特征的数据集，但是它不能捕捉到特征和特征之间的相关性，它可以通过将特征和特征进行组合的方式来解决，但是有些麻烦。
无监督学习：生成模型
dugudaibo的博客
01-18 7231
1. 生成模型  2016年PixelRNN，2014年Variational Autoencoder (VAE)，2013年Generative Adversarial Network (GAN)。
工业质检之无监督图片异常检测
tang_1994的博客
02-24 2431
随着深度学习的发展，对图片进行异常检测的方法也变得越来越多越来越强，比如卷积神经网络CNN，标注好异常的图片，收集好样本，经过有监督的训练可以获得很好的效果，在数据的加持下，深度学习有一统天下的趋势；还有就是降噪自编码器，可以直接给他正常样本，训练一个自编码器恢复原图片，对比图片发生变化的位置就可以定位缺陷的位置，GAN模型也同理，通过重建正样本，找到缺陷位置。
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