异常检测的应用
定义
给定一些数据集D={x1,x2,…,xm},注意这些样本是unlabel的,构建一个模型p(x),对于一个新的样本xtest,判断该样本是否异常。当p(xtest)≤ϵ时为异常,p(xtest)>ϵ为正常的。
高斯分布
高斯分布又称正态分布
如果一个实数服从高斯分布,表示为X∼N(μ,σ),μ是均值,控制函数的中心,σ是方差,控制函数的宽度。
公式
N(μ,σ)=2πσ21e−2σ2(x−μ)2
异常检测算法
-
数据集X={x1,x2,…,xm},x∈Rn
-
计算每个特征j的高斯分布参数μj,σj:
μj=m1i=1∑mxji
σj2=m1i=1∑m(xji−μj)2
-
对于每一个待测试样本,计算
p(x)=j=1∏np(xj;μj;σj2)=j=1∏n2πσj21e−2σj2(xj−μj)2
-
将结果跟阈值ϵ比较,p(x)<ϵ则为异常
建立一个异常检测系统的一般步骤
- 将带有label的数据集划分为训练集、验证集和测试集
注意将异常数据大致平均分配到每个集合中
通常情况下,验证集和测试集的数据都应该是互不相同的,即两个集合没有交集
- 使用训练集训练算法P(x)
为了避免正负样本分布不均,使用F1-score来评价算法性能
- 使用验证集来选择阈值ϵ
异常检测和监督学习的区别
异常检测
- 正例(异常样本)通常都非常少,通常是10这个数量级。
- 反例(正常样本)数量非常多。
- 异常的种类非常多,无法通过特征一一确定。未来的异常种类不能预见。
监督学习
- 正例和反例都非常多,并且分布差异不大
- 可以用特征来确定分类
数据预处理
当特征的样本分布为正态分布时,可以直接将样本fit到算法中
当数据为长尾分布时
使用
x=log(x+c)orx=xc,c<1
来将数据转换为正态分布