机器学习:异常检测

这篇具有很好参考价值的文章主要介绍了机器学习:异常检测。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

机器学习:异常检测,机器学习,机器学习,异常检测

问题定义

机器学习:异常检测,机器学习,机器学习,异常检测
anomaly,outlier, novelty, exceptions

不同的方法使用不同的名词定义这类问题。

机器学习:异常检测,机器学习,机器学习,异常检测

应用

机器学习:异常检测,机器学习,机器学习,异常检测

二分类

机器学习:异常检测,机器学习,机器学习,异常检测

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

机器学习:异常检测,机器学习,机器学习,异常检测
机器学习:异常检测,机器学习,机器学习,异常检测
机器学习:异常检测,机器学习,机器学习,异常检测
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。
机器学习:异常检测,机器学习,机器学习,异常检测
基于classifer来做异常检测。
机器学习:异常检测,机器学习,机器学习,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
机器学习:异常检测,机器学习,机器学习,异常检测
最大分数作为confidence
机器学习:异常检测,机器学习,机器学习,异常检测
机器学习:异常检测,机器学习,机器学习,异常检测
机器学习:异常检测,机器学习,机器学习,异常检测
部分数据会有误判的情况

信心分估计

机器学习:异常检测,机器学习,机器学习,异常检测
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

机器学习:异常检测,机器学习,机器学习,异常检测
100张辛普森家族图片,5张异常图片
机器学习:异常检测,机器学习,机器学习,异常检测
机器学习:异常检测,机器学习,机器学习,异常检测

  • 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。
机器学习:异常检测,机器学习,机器学习,异常检测
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。

机器学习:异常检测,机器学习,机器学习,异常检测
使用混淆矩阵:
机器学习:异常检测,机器学习,机器学习,异常检测
机器学习:异常检测,机器学习,机器学习,异常检测
cost table,做错的行为的代价,算一个分数:
机器学习:异常检测,机器学习,机器学习,异常检测
机器学习:异常检测,机器学习,机器学习,异常检测
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

机器学习:异常检测,机器学习,机器学习,异常检测
机器学习:异常检测,机器学习,机器学习,异常检测
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。

机器学习:异常检测,机器学习,机器学习,异常检测
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

机器学习:异常检测,机器学习,机器学习,异常检测
机器学习:异常检测,机器学习,机器学习,异常检测
正常玩家和异常玩家(小白)

问题定义

机器学习:异常检测,机器学习,机器学习,异常检测
机器学习:异常检测,机器学习,机器学习,异常检测
机器学习:异常检测,机器学习,机器学习,异常检测
机器学习:异常检测,机器学习,机器学习,异常检测
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
机器学习:异常检测,机器学习,机器学习,异常检测
高斯分布
机器学习:异常检测,机器学习,机器学习,异常检测
机器学习:异常检测,机器学习,机器学习,异常检测
机器学习:异常检测,机器学习,机器学习,异常检测
机器学习:异常检测,机器学习,机器学习,异常检测
机器学习:异常检测,机器学习,机器学习,异常检测文章来源地址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!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【机器学习 | 异常检测】孤立森林(isolation Forest)iForest 算法理论讲解及 Python 实战

    孤立森林(Isolation Forest,简称 iForest)是一种无监督学习算法,用于识别异常值。 其基本原理可以概括为一句话:异常数据由于数量较少且与正常数据差异较大,因此在被隔离时需要较少的步骤。 有两个假设: 异常的值是非常少的(如果异常值很多,可能被识别为正常的)

    2024年04月23日
    浏览(37)
  • 【深度学习】【机器学习】用神经网络进行入侵检测,NSL-KDD数据集,基于机器学习(深度学习)判断网络入侵,网络攻击,流量异常

    【深度学习】用神经网络进行入侵检测,NSL-KDD数据集,用网络连接特征判断是否是网络入侵。 NSL-KDD数据集,有dos,u2r,r21,probe等类型的攻击,和普通的正常的流量,即是有五个类别: 1、Normal:正常记录 2、DOS:拒绝服务攻击 3、PROBE:监视和其他探测活动 4、R2L:来自远程机器

    2024年04月25日
    浏览(44)
  • 《异常检测——从经典算法到深度学习》21 Anomaly Transformer:具有关联差异的时间序列异常检测

    0 概论 1 基于隔离森林的异常检测算法 2 基于LOF的异常检测算法 3 基于One-Class SVM的异常检测算法 4 基于高斯概率密度异常检测算法 5 Opprentice——异常检测经典算法最终篇 6 基于重构概率的 VAE 异常检测 7 基于条件VAE异常检测 8 Donut: 基于 VAE 的 Web 应用周期性 KPI 无监督异常检测

    2024年02月11日
    浏览(44)
  • 【论文阅读】基于深度学习的时序异常检测——TimesNet

    系列文章链接 参考数据集讲解:数据基础:多维时序数据集简介 论文一:2022 Anomaly Transformer:异常分数预测 论文二:2022 TransAD:异常分数预测 论文三:2023 TimesNet:基于卷积的多任务模型 论文链接:TimesNet.pdf 代码库链接:https://github.com/thuml/Time-Series-Library 项目介绍:https

    2024年02月13日
    浏览(51)
  • 【论文阅读】基于深度学习的时序异常检测——TransAD

    系列文章链接 数据解读参考:数据基础:多维时序数据集简介 论文一:2022 Anomaly Transformer:异常分数预测 论文二:2022 TransAD:异常分数预测 论文三:2023 TimesNet:基于卷积的多任务模型 论文链接:TransAD.pdf 代码库链接:https://github.com/imperial-qore/TranAD 这篇文章是基于多变量数

    2024年02月14日
    浏览(69)
  • 【论文阅读】基于深度学习的时序异常检测——Anomaly Transformer

    系列文章链接 数据解读参考:数据基础:多维时序数据集简介 论文一:2022 Anomaly Transformer:异常分数预测 论文二:2022 TransAD:异常分数预测 论文三:2023 TimesNet:基于卷积的多任务模型 论文链接:Anomaly Transformer.pdf 代码链接:https://github.com/thuml/Anomaly-Transformer 视频讲解(原

    2024年02月14日
    浏览(35)
  • 数学建模-基于集成学习的共享单车异常检测的研究

    整体求解过程概述(摘要)    近年来,共享单车的快速发展在方便了人们出行的同时,也对城市交通产生了一定的负面影响,其主要原因为单车资源配置的不合理。本文通过建立单车租赁数量的预测模型和异常检测模型,以期能够帮助城市合理配置资源。    首先,进行探

    2024年02月05日
    浏览(37)
  • 人工智能|机器学习——基于机器学习的舌苔检测

    基于深度学习的舌苔检测毕设留档.zip资源-CSDN文库 目前随着人们生活水平的不断提高,对于中医主张的理念越来越认可,对中医的需求也越来越多。在诊断中,中医通过观察人的舌头的舌质、苔质等舌象特征,了解人体内的体质信息从而对症下药。 传统中医的舌诊主要依赖

    2024年02月22日
    浏览(65)
  • 机器学习和深度学习检测网络安全课题:DDOS检测、恶意软件、恶意流量检测课题资料

    开源的DDOS检测工具 https://github.com/equalitie/learn2ban 基于KDDCUP 99数据集预测DDoS攻击 基于谱分析与统计机器学习的DDoS攻击检测技术研究 基于机器学习的分布式拒绝服务攻击检测方法研究 DDoS Attacks Using Hidden Markov Models and Cooperative ReinforcementLearning* 恶意软件检测 https://github.com/dc

    2024年01月18日
    浏览(47)
  • 机器学习如何改变缺陷检测的格局?

    机器学习在缺陷检测中扮演着重要的角色,它能够通过自动学习和识别各种缺陷的模式和特征,改变缺陷检测的格局。以下是机器学习在缺陷检测中的一些应用和优势: 自动化检测:机器学习技术可以自动化处理大量的数据,通过学习和识别缺陷的模式和特征,实现自动化检

    2024年02月02日
    浏览(37)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包