聚类算法帮助我们在数据中发现群组，而无监督学习 (supervised learning) (unsupervised learning)中另一个重要任务是识别那些似乎不属于任何群组，或明显不同于一般模式的数据点。这就是异常检测的范畴，也叫离群点检测。
异常是指与大多数数据或与所谓“正常”行为明显不同的数据点、事件或观测值。与监督分类中可能拥有特定“欺诈”或“缺陷”标签不同，在无监督异常检测中，我们通常没有预先给这些例外情况打上标签。相反，我们根据它们与数据集中其他部分的固有差异来识别它们。
为什么异常检测很重要？
识别这些异常情况在许多方面都很有价值：
- 欺诈检测： 发现可能表明欺诈行为的异常信用卡交易、保险索赔或金融活动。
- 入侵检测： 识别可能预警安全漏洞的可疑网络流量模式或用户活动。
- 系统健康监测： 检测工业设备中的异常传感器读数（预测性维护）、不寻常的服务器性能指标或系统日志中的错误。
- 数据质量保障： 发现可能需要调查或修正的数据输入错误、测量不准确或极端值，以便在进一步分析或建模之前处理。
- 医疗应用： 识别异常患者检测结果或可能表明健康问题的迹象。
本质上，异常情况通常代表着重要信息，预警着错误、机遇或需要关注的事件。
异常类型
尽管核心思想是偏离常态，但异常可以以不同方式表现：
- 点异常： 这些是远离数据分布其余部分的单个数据点。如果我们对数据进行二维或三维可视化，这些点将显得孤立。
这个散点图显示了一组典型数据点（蓝色）和两个远离主要群组的点异常（红色）。
- 情境异常（条件异常）： 这些数据点仅在特定情境下被视为异常。例如，网络流量的突然激增在产品发布期间可能正常，但在平常周二凌晨3点则异常。同样，25摄氏度的温度在夏季正常，但在许多地方的冬季则异常。识别这些异常需要理解数据点所处的情境。
- 集体异常： 一组相关数据实例作为一个整体可能是异常的，即使单个实例看起来正常。例如，在人体心电图（ECG）中，单个心跳可能看起来正常，但缺少特定心跳模式的序列可能代表集体异常，表明存在健康问题。
异常检测的常见方法
识别异常存在多种技术，通常分为以下几大类：
- 统计方法： 这些方法假设正常数据点遵循某种潜在统计分布（例如，高斯分布）。由该分布生成概率低的点会被标记 (token)为异常。计算Z-分数（一个点与均值相差均值多少个标准差）是一个简单例子。
z=σx−μ
其中 x 是数据点，μ 是均值，σ 是标准差。具有高绝对Z-分数（例如，> 3）的点通常被视为离群值。
- 基于邻近度的方法： 这些技术依赖于距离或密度。异常被识别为那些远离其邻居的点（例如，使用k-最近邻距离）或位于低密度区域的点。诸如DBSCAN之类的算法，之前在聚类中讨论过，其本身会将稀疏区域的点识别为噪声，这些噪声通常可以被解释为异常。
- 基于机器学习 (machine learning)的方法： 有几种机器学习算法是专门为异常检测设计或适用于异常检测的。例子包括：
- 孤立森林 (Isolation Forest)： 构建一个树的集成，将容易被隔离的点（即需要更少划分才能到达叶节点）识别为异常。
- 单类支持向量 (vector)机 (One-Class SVM)： 学习正常数据点周围的边界；落在此边界之外的点被标记为异常。
方法的选择通常取决于数据的性质、所寻找的异常类型、数据的维度以及计算效率是否是一个主要限制因素。
本概述有助于理解异常的定义及其发现的用途。虽然本课程不会实现每种类型的异常检测算法，但理解这些原则对实用数据分析很必要，因为离群值会明显影响数据摘要、可视化以及后续机器学习模型的性能。
