当前位置:首页 > 未命名 > 正文内容

[W9]异常检测

u3blog8年前 (2016-12-06)未命名311

异常检测动机

当我们有新的数据样本的时候,我们希望通过一个模型p(x)以及一个门槛值ϵ来判定这个样本是否是异常的。

高斯分布

高斯分布是一种可以被描述为%e9%ab%98%e6%96%af%e5%88%86%e5%b8%83%e5%85%ac%e5%bc%8f的类钟型线。 具体公式是
%e9%ab%98%e6%96%af%e5%88%86%e5%b8%83%e6%a8%a1%e5%9e%8b 其中几个参数的计算如下 u%e8%ae%a1%e7%ae%97
%e7%ac%ac%e4%ba%8c%e5%8f%82%e6%95%b0%e8%ae%a1%e7%ae%97

普遍公式

只有公式部分不同,其余部分均与高斯分布相同
%e6%99%ae%e9%81%8d%e5%85%ac%e5%bc%8f

异常检测vs监督学习

何时使用异常检测 正样本较少,负样本多,正样本不够训练,且种类太多 何时使用监督学习 有大量的正负样本,我们有足够的正样本来训练,未来的正样本与现有的类似

推荐系统

推荐系统的目的是为了给用户推荐产品 这里有几个定义 nu 用户数量 nm 电影(产品)数量 r(i,j) = 1 表示用户j给电影i打了分了 y(i,j) 表示用户j给电影i打的分

基于内容的推荐

θ(j) 对于用户j的参数向量 x(i) 对于电影i的特征向量 预测用户j对电影i的评分公式
如何学习θ(j)?公式类似线性回归,如下 一次性学习全部的公式

协同筛选

如果我们不能获得准确的电影特征向量 x(i) 那么我们可以让用户告诉我们他们对每种类型有多少的喜爱,然后我们就能使用这些数据进行学习,公式如下

协同筛选算法步骤

首先是代价函数公式,如下
具体步骤: 1.初始化x(i)到x(nm)以及θ(1)到θ(nu)为很小的随机值,这一步是为了让每个x都不相同 2.最小化J(x(i),...,x(nm),θ(1),...,θ(nu))通过梯度下降或者高级算法均可 3.通过θTx预测用户评分

扫描二维码推送至手机访问。

版权声明:本文由u3blog发布,如需转载请注明出处。

本文链接:https://u3blog.xyz/?id=606

分享给朋友:
返回列表

上一篇:[W8]聚集

下一篇:[W10]大数据学习

发表评论

访客

◎欢迎参与讨论,请在这里发表您的看法和观点。