# 异常检测

> 在数据挖掘中，异常检测（英语：Anomaly detection）对不符合预期模式或数据集中其他项目的项目、事件或观测值的识别。通常异常项目会转变成银行欺诈、结构缺陷、医疗问题、文本错误等类型的问题。异常也被称为离群值、新奇、噪声、偏差和例外。特别是在检测滥用与网络入侵时，有趣性对象往往不是罕见对象，但却是超出预料的突发活动。

- ID: m09403
- 分类: observe
- 领域: 学习科学

## 定义

定义异常：明显偏离预期模式的数据点。方法：统计方法、机器学习方法。应用：欺诈检测、故障预警、质量控制。脚手架作用：发现"不对劲"的信号。在大量正常数据中识别少数异常——早期预警的关键。（异常值检测、异常检测路径 为同一概念）

## 机制

异常检测是用统计或模型识别偏离正常模式的数据点/序列，常用于无标签或极不平衡场景。方法含距离、密度、重构误差与一类分类等。

## 练习

选特征与正常样本；训练/拟合适配正常区的模型；用分数或阈值判异常；持续更新基线防概念漂移。

## 脚手架用法

发现"不对劲"的信号。在大量正常数据中识别少数异常——早期预警的关键。（异常值检测、异常检测路径 为同一概念）

[阅读网页](https://thinkingmodels.site/entries/detail/m09403)