吴恩达机器学习（十三）异常检测（高斯分布）

目录

0. 前言

1. 高斯分布（Gaussian distribution）

2. 参数估计

3. 异常检测算法（原始模型）

4. 高斯分布异常阈值的选择

5. 多变量高斯分布（多元模型）

6. 原始模型和多元模型的区别

---

学习完吴恩达老师机器学习课程的异常检测，简单的做个笔记。文中部分描述属于个人消化后的理解，仅供参考。

如果这篇文章对你有一点小小的帮助，请给个关注喔~我会非常开心的~

0. 前言

易知，采集的数据或者数据本身，有可能出现异常，这些数据大部分会集中在一起，而有少部分会分散在周围。

一般地，采集的数据服从某种概率分布模型，例如服从高斯分布（Gaussian distribution），数据大概率的落在正常的区间范围内，而有小概率出现异常落在区间范围外。我们采用高斯分布作为数据的概率模型。

异常检测，则是对新的测试样本进行检测，判断这个样本是否是异常的。如果用概率模型  表示，则  表示数据有异常， 为一个很小的常数。

1. 高斯分布（Gaussian distribution）

变量  服从高斯分布可表示为  ，其中  为均值，  为方差，概率分布有如下定义：

2. 参数估计

通过已知的样本数据集，估计这些数据分布中的未知参数，就是参数估计。

例如，已知一样本数据集，假设数据服从高斯分布，则需要估计的参数就是  和  ，根据统计的思想，可采用下式：

<