第10章異常偵測-閱讀頁
2025-08-04 06:27本頁面
【正文】 似值 ? 因為正常物件的數(shù)量相較於異常物件的數(shù)量來的多，當(dāng)一個物件移到異常集合後，正常物件的分佈並不會改變很多，在這個情況下，每個正常物件對正常物件之總概似值之貢獻(xiàn)將會保持不變 統(tǒng)計方法的優(yōu)點與缺點 ? 統(tǒng)計方法在處理離群值上已有一個穩(wěn)定且標(biāo)準(zhǔn)的技術(shù)，例如估計分佈的參數(shù)。一個常用來定義密度的方法為到 k個最近鄰居之平均距離的倒數(shù)。然而，這仍需要選擇這些值的上限與下限 以分群為基礎(chǔ)之技術(shù) ? 群集分析是找到有很強關(guān)聯(lián)之物件群集，而異常偵測是找到與其他物件沒有很強關(guān)聯(lián)之物件 ? 用來偵測離群值的一個方法是將遠(yuǎn)離其他群集的小群集刪除。針對以雛型為基礎(chǔ)之分群法，物件到它的群中心之距離可用來評估一個物件屬於一個群集的程度 ? 一般來說，以目標(biāo)函數(shù)為基礎(chǔ)的分群法技術(shù)而言，我們可以使用目標(biāo)函數(shù)來評估一個物件屬於群集的程度。一個方法是測量物件至群集雛型之距離，並採用這個距離當(dāng)成物件的離群分?jǐn)?shù) ? 若群集有不同的密度，則我們會建構(gòu)離群分?jǐn)?shù)，以測量一個物件至群集雛型，以及至群集中其他物件的相對距離 ? 另一個可能性是群集可以正確地用高斯分佈來塑模上，並使用馬氏距離來衡量 以分群法為基礎(chǔ)之範(fàn)例：點與最近中心點的距離 以分群法為基礎(chǔ)之範(fàn)例：點與最近中心點之相對距離 離群值對初始分群法的影響 ? 物件被分群，離群值被移除，然後物件再一次分群。當(dāng)分群方法執(zhí)行時，群集會改變。若物件現(xiàn)在屬於一個群集，則會從可能的離群值集合中移除。一個策略是去重複地分析不同數(shù)量的群集，另一個方法是去找到很多小的群集，因為（ 1）小群集較會較有凝聚力，且（ 2）當(dāng)有很多小群集，若物件為離群值，則它可能會是真正的離群值 – 缺點是離群值群集來自於小群集，因此很難被偵測出來 分群法偵測離群值的優(yōu)點與缺點 ? 如 Kmeans之類的分群技術(shù)，具有線性或接近線性時間與空間複雜度，因此以這樣的演算法為基礎(chǔ)之離群值偵測技術(shù)會很有效率 ? 群集的定義通常會與離群值的定義互補，因此要同時找到群集和離群值通常是很有可能的 ? 就負(fù)面來看，離群值集合的產(chǎn)生及其分?jǐn)?shù)會取決於群集的數(shù)量與資料中離群值的出現(xiàn)
規(guī)章制度相關(guān)推薦
鄂ICP備17016276號-1