异常检测算法的分类与总结

异常检测算法分类

• 一、预测（监督机器学习）
  • • 1.1 简介
    • 1.2 适用范围
    • 1.3 注意事项

  • 二、统计度量

  • • 2.1 简介
    • 2.2 常用方法

  • 三、无监督机器学习

  • • 3.1 常用方法

  • 四、拟合优度检验

  • • 4.1 简介
    • 4.2 椭圆包络拟合(协方差估计拟合)

  • 五、基于密度的算法

  • • 5.1 简介
    • 5.2 局部离群因子（LOF）

在挑选具体技术手段前，需要着重分析原始数据的特征及其可靠性，数据是否受到异常值干扰将直接决定所采用的检测方式。若用于训练的数据中未包含异常样本（或已对异常样本进行标记并剔除），则此类任务被定义为新颖性识别；反之，若数据集中包含未标记的异常点，则该任务被归类为离群点识别。
异常检测的技术划分：

• 预测（监督机器学习）
• 统计度量
• 非监督机器学习
• 拟合优度分析
• 密度导向型方法

一、监督机器学习在预测中的应用

1.1 简介

通过使用历史中未包含异常的正常数据对模型进行训练，并评估当前观测值与预测结果之间的偏差，以此实现异常识别。具体而言，此类用于检测异常的算法更准确地被称为新奇检测。

1.2 适用范围

鉴于