特征選擇

使得特征服從高斯分布

為了構(gòu)建異常檢測模型，我們就希望特征能服從高斯分布：

但是，我們一開始拿到的特征的分布可能是這樣的：

我們可以同過對數(shù)操作或者其他操作將他轉(zhuǎn)化為高斯分布，例如，上面的特征經(jīng)對數(shù)操作后形成的分布就非常接近于高斯分布：

構(gòu)建新特征

我們知道，在異常檢測中，樣本特征要盡可能區(qū)分正常樣本和異常樣本。例如，為了監(jiān)測機房中的服務(wù)器異常狀況，我們選定了如下特征：
$$x_1=內(nèi)存使用率$$$$x_2=每秒磁盤訪問次數(shù)$$$$x_3=CPU負(fù)載$$$$x_4=網(wǎng)絡(luò)流量$$

當(dāng)異常發(fā)生時，這些值都會非常大。但是，我們遇到一個新的異常：程序執(zhí)行時進入了某個死循環(huán)，此時 CPU負(fù)載 很高，而網(wǎng)絡(luò)流量很低（業(yè)務(wù)全部卡死在服務(wù)器，而沒有和客戶端通信），亦即，一個特征過大，而一個特征過小，要去識別這樣一種情況，我們考慮創(chuàng)建新的特征：
$$x_5=\frac{CPU負(fù)載}{網(wǎng)絡(luò)流量}$$

當(dāng)上述異常發(fā)生時，該特征將會變得異常的大，有助于標(biāo)識出異常發(fā)生。

這個例子說明，我們可以通過組合現(xiàn)有特征，來產(chǎn)生標(biāo)識度更明顯的特征。

總結(jié)

以上是生活随笔為你收集整理的8.5 特征选择-机器学习笔记-斯坦福吴恩达教授的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。