概述

異常檢測（Anomaly Detection）是機器學習里面的一個常見應用，機器通過訓練，將知道什么樣的樣本是正常樣本，從而具備識別異常樣本的能力。

飛機制造商在飛機引擎從生產線上流入市場前，會考慮進行異常檢測，以防止不合格引擎造成惡劣結果。而為了進行異常檢測，通常就需要采集一些引擎特征，如：
$$x_1=引擎運轉時的熱量$$$$x_2=引擎的振蕩頻率$$

假定現在有引擎的數據集： $x^{(1)},x^{(2)},?,x^{(m)}$ , 這些數據都是正常樣本，我們將其繪制到二維平面上：

現在，新來了一個引擎樣本（以綠色標志），它落到了正常樣本中間，亦即，它表現了和正常樣本類似的特征，所以，我們希望，新來的樣本也會被當做是正常樣本，從而讓它順利流入市場：

與此同時，又來了一個引擎，由于他偏離正常樣本匯集的位置過遠，其理所當然被認為是異常樣本，從而被回爐重造：

綜上我們知道，我們需要根據已有數據集構建一個概率模型 $p(x)$ ，如果某一樣本被認為是正常樣本的概率足夠小，它就該被當做是異常：
$$x=\{\begin{array}{l}異常樣本，ifp(x)<?\\ 正常樣本，otherwise\end{array}$$

總結

以上是生活随笔為你收集整理的8.1 概述-机器学习笔记-斯坦福吴恩达教授的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。