異常檢測

1 PCA

標準化-協方差矩陣-特徵值/特徵向量-選擇特徵向量

計算投影值，投影值越大，越異常

2 DBSACN

在聚類過程中尋找核心物件，擴充套件密度可達的樣本，由密度可達關係匯出的最大密度相連的樣本集合，即為我們最終聚類的一個類別。

圖中MinPts=5，紅色的點都是核心物件。

密度直達：epsilon鄰域內，黑色點由紅色點密度直達；

密度可達：可以相連的核心物件，圖中的綠色箭頭連線；

密度相連：密度可達的樣本序列的ϵϵ-鄰域內所有的樣本相互都是密度相連的。

3 LOF

區域性異常因子：計算每個點的核心密度，如果密度明顯小於鄰居，則為異常點；

如果資料點 p 的 LOF 得分在1附近，表明資料點p的區域性密度跟它的鄰居們差不多；

如果資料點 p 的 LOF 得分小於1，表明資料點p處在一個相對密集的區域，不像是一個異常點；

如果資料點 p 的 LOF 得分遠大於1，表明資料點p跟其他點比較疏遠，很有可能是一個異常點。

4孤立森林

通過計算決策路徑的長度來判斷異常，決策路徑越短，說明越可能是異常。

5 one class svm

給出正常值的邊界，超出邊界，就是異常值。