Coursera在线学习---第九节(1).异常数据检测(Anomaly Detection)

一、如何构建Anomaly Detection模型？

二、如何评估Anomaly Detection系统？

　　1）将样本分为6:2:2比例

　　2）利用交叉验证集计算出F1值，可以用F1值选取概率阈值ξ，选取使得F1值最大的那个ξ。

　　3）同时也可以根据训练集、交叉验证集、测试集来同样选取使用哪些特征变量更好。方法就是不断更换特征组合构建模型，利用交叉验证集计算F1值，并看测试集的效果等等。

三、什么时候用异常数据检测法，什么时候用有监督的分类方法？

　　1）一般来讲，当样本中有大量正常样本数据，而仅仅有少量异常点数据时，这个时候建议构建Anomaly Detection模型。因为异常样本太少，无法进行有效的监督训练；而此时因为有大量的正样本数据，可以有效的拟合高斯模型。当正样本与负样本数量都比较大的时候，可以采用有监督的学习方法，这就是两种方法的不同之处。

　　2）另一种不同在于，异常数据点的出现情况往往是多种多样、不可预测的。所以，这个时候只对正常数据样本拟合模型即可，不符合该模型的数据均可视为异常数据点。而有监督的学习方法需要有明确的正样本与负样本标签，让机器明白无误的去训练学习。

四、应用举例

　　网络欺骗登陆检测。如果收集了大量的网站欺骗行为数据，可以选择用监督方法来实现检测。如果少量欺骗行为数据，还是用Anomaly Detection方法比较好。

五、样本数据的分布转换

　　如果原始样本数据符合高斯分布(也叫正态分布)，则可以直接拟合高斯模型。如果原始样本不符合高斯分布，则可以采用log(x)、log(x+c)、X^（1/2）、X^(1/3)等方法对原始样本进行转换，使其符合高斯分布。可以采用hist(x)画直方图看分布状态。

六、如何筛选特征变量？

　　尽量选取一些浮动不是特别大的变量，如果浮动大了，必然是异常数据了。也可以新增一些组合特征变量，比如：x1/x2，x1^2/x2等。

七、拟合多元高斯分布模型。

　　有这样一种情况，比如：x1与x2正常情况下是正相关的，但是出现了一个异常数据，就是x1突然变得很大，而x2则不是特别大。这种情况如果采用上述方法单独拟合模型，则检测不出该异常点，因为两个变量数据在各自分布中都是正常的。所以，一种方法就是新增特征组合x1/x2，另一种方法就是采用多元高斯分布。

八、什么时候用一元高斯模型，什么时候用多元高斯模型？

　　一般来说，一元高斯模型用的较多，而多元高斯模型用的不多。但是，对于特征变量x1,x2的一些异常组合情况，多元高斯模型能够检测出来。一元高斯模型如果也想检测出该异常数据，需要增加新的特征组合。

　　综合来说，一元高斯模型计算量小一些，当特征维度n较大时，采用一元模型较好。而多元高斯模型需要计算矩阵，代价太大，而且还要求m>n（m为样本数量），否则矩阵为不可逆矩阵。当m约等于10倍n的数量之上时，用多元模型较好。