如果您有一个标记的数据集

ayesha983

对于上面详述的一些用例，这很可能是可以实现的。特别是在金融领域用于欺诈检测或制造/工业领域用于预测性维护，因为有一个明确的机制来反馈哪些情况是异常的（客户关系经理数据详细说明了欺诈投诉或维护记录）。对于其他用例，例如医疗保健中的状况监测或入侵检测，拥有足够的标记数据来开始可能会很困难，尽管在没有标记数据的情况下仍然可以成功检测异常。

4. 获得预测
构建异常检测系统有两种主要架构：

监督异常检测，，并且您知道每个数据点是否正常，则可以使用它。
无监督异常检测，其中数据集未 多米尼加共和国电报数据 标记（即，每个数据点是否是异常是不可靠或未知的）。
使用监督方法时，您将应用二元分类算法。具体采用哪种算法并不比确保针对类别不平衡采取适当的措施更重要（即，对于异常检测，您很可能拥有比异常情况多得多的“正常”情况）。

使用无监督方法时，有两种方法可以训练算法：

新颖性检测：训练集完全由内点组成，因此算法可以学习“正常性”的概念（因此在某些方法中会发现前缀“一类”）。在测试时，数据也可能包含异常值。这也称为半监督检测。
异常值检测：训练集已经被异常值污染。假设异常值的比例足够小，因此可以使用新颖性检测算法。因此，这些算法在训练时应该足够稳健，可以忽略异常值并仅拟合正常值。
5. 可视化
可视化在构建和测试异常检测模型的过程中特别有用，因为有时它们是查看异常值的最清晰的方式，尤其是在非常大的数据集中。