机器学习 鲁棒的基于高斯概率密度的异常点检测(novelty) ellipticalenvelope算法

异常点检测主要划分为novelty detection与outlier detection两种类型。在novelty detection中，采用具有鲁棒性的高斯概率密度模型，其核心目标是在给定的数据集合中识别出与整体分布存在较大偏离的异常样本。值得注意的是，用于novelty detection的训练数据并非完全纯净，其中可能包含异常点；而outlier detection所依赖的训练集则具备较高的纯净度。

算法理解

该算法的核心理念较为直观，其主要步骤是确定训练数据在特征空间中的中心位置及分布离散程度，并通过高斯概率密度函数计算每个样本点归属于各类中心的可能性。

程序

决定采用 scikit-learn 这一工具包成为调包侠的选择。

    print(__doc__)
    
    # Author: Virgile Fritsch <virgile.fritsch@inria.fr>
    # License: BSD 3 clause
    
    import numpy as np
    from sklearn.covariance import EllipticEnvelope
    from sklearn.svm import OneClassSVM
    import matplotlib.pyplot as