Build your ultimate AI agent
课程介绍
是否担心数据中存在不准确或可疑的记录，却不知道从哪里入手？异常检测算法可以帮到您！异常检测是一组用于识别异常数据点的技术，对于发现欺诈行为、保护计算机网络免受恶意活动至关重要。本课程将带您了解用于识别离群点的统计检验，并学习使用更复杂的异常评分算法，如局部离群因子（local outlier factor）和隔离森林（isolation forest）。您将把异常检测算法应用到 UCI Wine 质量数据集，以识别异常葡萄酒样本，并通过异常的激素测量来检测甲状腺疾病病例。
先修要求
课程大纲
课程大纲
1
统计离群点检测
在本章中，您将学习如何使用数值与图形化摘要来非正式地评估数据中是否包含异常点。您将使用名为 Grubbs 检验的统计程序来判定某个点是否为离群点，并了解 Seasonal-Hybrid ESD 算法，该算法可帮助在时间序列数据中识别离群点。
2
基于距离与密度的异常检测
在本章中，您将学习如何计算 k 近邻距离与局部离群因子，用于在多特征数据中为每个数据点构建连续的异常评分。您还将了解局部异常与全局异常的区别，以及这两种算法分别如何发挥作用。
3
隔离森林
k 近邻距离与局部离群因子使用最近邻的距离或相对密度为每个点打分。本章将介绍一种替代的树模型方法——隔离森林。这是一种快速且稳健的异常检测方法，通过随机将数据不断划分为更小的区域，来衡量样本被分离的难易程度。
4
性能对比
您已经接触了多种异常评分算法。在最后一章中，您将学习在存在已标注异常的情况下比较各算法的检测性能。您将学会计算并解读异常评分的精准率（precision）与召回率（recall），以及如何调整算法以适配包含分类特征的数据。
R
R 异常检测入门
课程完成
