第10章異常偵測(cè)-文庫(kù)吧資料
2025-07-26 06:27本頁(yè)面
【正文】 群值偵測(cè)的優(yōu)點(diǎn)與缺點(diǎn) ? 以鄰近值為基礎(chǔ)之方法基本上需要 O(m2)的時(shí)間，對(duì)於大量資料集而言，此方法的成本很高 ? 此方法對(duì)於參數(shù)的選擇是敏感的，且無(wú)法處理具有很多不同密度區(qū)域之資料集合 以密度為基礎(chǔ)之離群值偵測(cè) ? 以密度為基礎(chǔ)之觀點(diǎn)來(lái)看，離群值是在低密度區(qū)域中的物件 ? 以密度為基礎(chǔ)之離群值：物件的離群分?jǐn)?shù)為物件周?chē)芏戎箶?shù) ? 以密度為基礎(chǔ)之離群值偵測(cè)會(huì)與以鄰近值為基礎(chǔ)之離群值偵測(cè)非常相關(guān)，因?yàn)槊芏韧ǔ１欢x為鄰近值。在分群法中， EM演算法用來(lái)估計(jì)每個(gè)機(jī)率分佈的參數(shù)，然而，這裡出現(xiàn)的異常偵測(cè)技術(shù)是一個(gè)較簡(jiǎn)單的方法。此外，我們想要用簡(jiǎn)單的檢定的來(lái)判斷像是從分佈中心至資料點(diǎn)距離的問(wèn)題 ? 然而因?yàn)椴煌償?shù)（屬性）之間的相關(guān)性，多變量常態(tài)分佈的中心並不是呈對(duì)稱(chēng)的 異常偵測(cè)之混合模型方法 ? 在分群法中，混合模型方法假設(shè)資料是來(lái)自於混合的機(jī)率分佈，且會(huì)發(fā)現(xiàn)每個(gè)群集具有一個(gè)分佈。所以要指定一個(gè)分?jǐn)?shù)給每個(gè)實(shí)例（ instance），以反應(yīng)出這個(gè)實(shí)例是異常的程度 ? 半監(jiān)督式異常偵測(cè)：有時(shí)訓(xùn)練資料包含被標(biāo)示為正常的資料，且沒(méi)有關(guān)於異常物件的資訊 處理異常時(shí)的重要議題 ? 使用屬性數(shù)量來(lái)定義異常：根據(jù)單一屬性來(lái)判斷一個(gè)物件是否為異常之問(wèn)題，和物件屬性值是否有異常之問(wèn)題一樣 ? 全域與區(qū)域觀點(diǎn)：一個(gè)物件對(duì)所有物件可能是獨(dú)特的，但對(duì)它的區(qū)域鄰居之物件卻是很一般的 ? 哪個(gè)點(diǎn)是異常的程度：在一些技術(shù)中以二元方法評(píng)估物件是否為異常：物件是異常或不是異常 ? 在一個(gè)時(shí)間中發(fā)現(xiàn)一個(gè)異常與一次發(fā)現(xiàn)很多異常 ? 評(píng)估方式：若類(lèi)別標(biāo)記可用來(lái)發(fā)現(xiàn)異常與正常資料，則異常偵測(cè)方法的有效性可使用 效能評(píng)估方法來(lái)評(píng)估 ? 效率：各種異常偵測(cè)方法的計(jì)算成本有顯著的不同。然而，一個(gè)特定測(cè)試結(jié)果是否為異常，仍要依照病患的其他特徵，如年齡和性別來(lái)進(jìn)行判斷。這個(gè)目的是要去預(yù)測(cè)這些事件的可能性以及發(fā)生的原因 – 國(guó)民健康（ public health）：在許多國(guó)家，醫(yī)院和醫(yī)療診所會(huì)對(duì)國(guó)家級(jí)組織報(bào)告各種統(tǒng)計(jì)資料，以便做進(jìn)一步的分析。部分攻擊是顯而易見(jiàn)的，但如癱瘓電腦和網(wǎng)路的運(yùn)作
規(guī)章制度相關(guān)推薦
鄂ICP備17016276號(hào)-1