转自博客：http://www.infosec-wiki.com/?p=140760 一、关于异常检测 异常检测（outlier detection）在以下场景： 数据预处理 病毒木马检测 工业制造产品检测 网络流量检测 等，有着重要的作用。由于在以上场景中，异常的数据量都是很少的一部分，因此诸如： ...
分类：
编程语言 时间：
2017-11-03 11:05:21
阅读次数：
515
一、关键点 异常：存在于运行时的反常行为，这些行为超出了函数正常功能的范围。 典型的异常：失去数据库连接、遇到意外输入等。 异常处理机制：为程序中异常检测和异常处理这两部分的协作提供支持。 二、异常检测 形式：throw 表达式; 解释：上面的语句将引发一个异常，其中表达式的类型就是抛出的异常类型。 ...
分类：
其他好文 时间：
2017-10-12 20:32:49
阅读次数：
268
空间轨迹是一个(x,y)点的序列,每个点都有一个时间戳.因为轨迹通常是由传感器测量的,所以它们不可避免地会出现一些错误，需要对数据进行平滑化处理。 此外，司机绕路或者交通事故也会导致轨迹数据出现偏离，这时候我们需要对轨迹数据进行异常检测。 数据平滑化处理 过滤技术进行为了演示,我们用一个GPS记录器 ...
分类：
其他好文 时间：
2017-10-07 20:47:13
阅读次数：
1217
方式一： try 检测范围 except Exception[ as reason]： 出现异常(Exception)后的处理代码 方式二: 方式一: 运行结果: [fengjunjie@localhost ~]$ python3 test.py 文件出错拉T_T ...
分类：
编程语言 时间：
2017-09-11 15:18:11
阅读次数：
160
异常检测： 判断测试集是否异常。如下例中对飞机引擎的判断： 我们建立评估模型概率模型p(x)来判断，如果p(x)<ε异常，反之正常 用处举例：购物网站用户异常检测，计算机集群异常检测 ...
分类：
其他好文 时间：
2017-08-24 10:50:57
阅读次数：
117
多元高斯(正态)分布 多元高斯分布有两个参数u和Σ,u是一个n维向量，Σ协方差矩阵是一个n*n维矩阵。改变u与Σ的值可以得到不同的高斯分布。 参数估计（参数拟合），估计u和Σ的公式如上图所示，u为平均值，Σ为协方差矩阵 使用多元高斯分布来进行异常检测 首先用我我们的训练集来拟合参数u和Σ，从而拟合模 ...
分类：
其他好文 时间：
2017-08-23 20:48:11
阅读次数：
174
利用数值来评价一个异常检测算法的重要性 使用实数评价法很重要，当你用某个算法来开发一个具体的机器学习应用时，你常常需要做出很多决定，如选择什么样的特征等等，如果你能找到如何来评价算法，直接返回一个实数来告诉你算法的好坏，那样你做决定就会更容易一些。如现在有一个特征，要不要将这个特征考虑进来？如果你带 ...
分类：
编程语言 时间：
2017-08-21 00:35:36
阅读次数：
223
估计P(x)的分布--密度估计 我们有m个样本，每个样本有n个特征值，每个特征都分别服从不同的高斯分布，上图中的公式是在假设每个特征都独立的情况下，实际无论每个特征是否独立，这个公式的效果都不错。连乘的公式表达如上图所示。 估计p(x)的分布问题被称为密度估计问题（density estimatio ...
分类：
编程语言 时间：
2017-08-18 23:43:04
阅读次数：
281
高斯分布 高斯分布也称为正态分布，μ为平均值，它描述了正态分布概率曲线的中心点。σ为标准差，σ2为方差，σ描述了曲线的宽度。在中心点附近概率密度大，远离中心点概率密度小。 高斯分布图 概率曲线下方的面积为1（积分为1），概率和为1。μ为中心点，σ为宽度。σ小时图形更尖更高，σ大时图形更矮更宽，因为面 ...
分类：
其他好文 时间：
2017-08-18 22:30:33
阅读次数：
191
http://blog.csdn.net/wangyibo0201/article/details/51705966 在数据挖掘方面，经常需要在做特征工程和模型训练之前对数据进行清洗，剔除无效数据和异常数据。异常检测也是数据挖掘的一个方向，用于反作弊、伪基站、金融诈骗等领域。 异常检测方法，针对不同 ...
分类：
编程语言 时间：
2017-08-04 20:34:39
阅读次数：
265
