andrew ng machine learning week9 异常检测和推荐系统

吴恩达机器学习全套笔记博客地址

week 1 

week 2 

week 3 

week 4

week 5

week 6 

week 7

week 8

week 9

 

GitHub 地址

异常检测

概率分布的角度：通过判断某个样本的概率分部值和阈值的关系判断是不是异常样本

异常检测的应用：

1. 在线购物网站如何识别异常用户（欺诈行为或者被盗号）

2. 制造业

3. 检测计算机的运行情况

高斯分布

 

高斯分布开发异常检测算法

步骤

1. 选择一些异常的特征

2. 计算均值和方差，对于每一个特征来进行计算

在这个三维立体图中，越高的地方是正常的地方，异常区则是接近平面0的这些点

如何开发一个关于异常检测的应用

实数评价法的重要性：

不建议把交叉集和测试集混在一起使用

算法的评估过程

常用的查准率和召回率、f1-score 

什么时候用异常检测什么时候用监督学习算法

1. 正样本数目小

2. 大量的负样本

3. 许多不同的异常类型

如何设计或选择异常检测算法的特征变量

非高斯特征变量第二种可以通过转换的方式转成钟型曲线

误差分析步骤

看看没能归为异常的点，看能否启发创建新的特征变量

选择特征变量的办法：

不会特别大也不会特别小的值，或者相互组合形成新的特征变量

多元高斯分布

这个×的两个P值都在正常范围内，所以之前的异常检测算法并不能检测出这个错误的绿× 

多元高斯的概率公式

协方差矩阵增大和减小所对应的图

 仅仅减小一个协方差矩阵的变化

增加对角线上的值的变化

设置为负值的变化

改变u值这个圈圈的中心点会移动

多元高斯的自动检测算法

 

和原始模型之间的关系

多元高斯函数的协方差矩阵的对角线是特征变量的方差组成，并且其他部分都是0

什么时候选择原始什么时候选择高斯模型？

原始的模型使用地更多，运算量更小

m 远远大于 n 的时候使用多元

协方差矩阵奇异：用于特征项梁或者没满足m>>n的条件

 推荐算法

 

基于内容的推荐系统

协同过滤

这个视频和上一个视频的区别：

用户的特征、电影的特征如何结合在一起可以同时地计算出来呢？

一个是对于评价某电影的全部用户的求和，一个是某个用户看过的全部电影的求和，也就是所有r(i,j)wei 1de qiuhe 

然后就是两个正则项的相加

初始化

梯度下降法计算参数

协同过滤算法的向量化实现过程

低秩矩阵分解

两部电影的特征向量非常相似则我们说这两部电影非常相似

 

 

转载于:https://www.cnblogs.com/twomeng/p/9889477.html