问题定义
anomaly,outlier, novelty, exceptions
不同的方法使用不同的名词定义这类问题。
应用
二分类
假如只有正常的数据,而异常的数据的范围非常广的话(无法穷举),二分类这些不好做。另外就是异常资料不太好收集。
分类
每张图片都有标注,就可以来训练一个辛普森家族的成员分类器。
基于classifer来做异常检测。
基于信心分数来做异常问题,大于某值就是正常,小于某值就是异常
最大分数作为confidence
部分数据会有误判的情况
信心分估计
直接教网络信心分数,不仅是做分类任务C,也会给出信心分P
Train 和 Eval
100张辛普森家族图片,5张异常图片
- 有蓝色的正常图被错误分类成异常
- 有红色的异常图被错误分类成正常
这个时候用dev set上评估系统,这是一个二元分类问题。
正常异常比例的分布是非常悬殊的,这个系统可以有很高的准确率,但是没有做什么事,用acc准确率分类是没有意义的。
使用混淆矩阵:
cost table,做错的行为的代价,算一个分数:
针对自己的任务设定cost table。还有一些方法来衡量,比如AUC(roc曲线的面积)。
问题
脸上是黄的,然后系统给的分数就高,说明这个分类系统学到的并不是认清人,而是脸是否是黄的。
假设可以收到一些异常资料,可以学习在分类的同时,也给出异常的分数,但是这类数据不易收集。可以考虑使用GAN生成异常数据。
没有标签的场景
正常玩家和异常玩家(小白)文章来源:https://www.toymoban.com/news/detail-619007.html
问题定义
需要数值化的方法来给每一个玩家的分数。
f
(
斯塔
)
f(斯塔)
f(斯塔) 概率密度估计
高斯分布
文章来源地址https://www.toymoban.com/news/detail-619007.html
到了这里,关于机器学习:异常检测的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!