异常检测

高维数据的异常探测方法由Aggarwal和Yu (SIGMOD’2001)提出。该方法将高维数据集映射到低维子空间，通过评估子空间中数据的稀疏性来识别异常数据。

异常检测是数据和机器学习中不可忽视的一部分，是在大量时序数据或高维数据时，了解和使用合适的检测方法重要。如果你对这个话题感兴趣，以下这些资源都挺不错的，你更好地理解和实现异常检测。 异常入侵检测技术探究这篇文章通过深入不同的入侵检测方法，你理解网络安全中的异常行为探测。点击查看。 对于时序数据的异常检测，pyculiarity是一个有用的工具，它支持各种时序数据的异常检测和可视化，你可以在这篇文章中找到详细的使用指南：点击查看。 如果你用的是 Matlab，可以试试iForest的异常检测代码。它是基于孤立森林算法，适用于大数据集的异常检测，下载链接：点击查看。 除了这些，还有多与异常检测相关

异常入侵检测技术探究 异常入侵检测，作为网络与信息安全领域的至关重要一环，其主要方法包括： 统计异常检测: 通过建立系统正常行为的统计模型，识别偏离模型的异常行为。 基于特征选择的异常检测: 提取网络流量或系统行为的关键特征，利用特征差异识别异常。 基于贝叶斯推理的异常检测: 利用贝叶斯定理计算事件发生的概率，判断异常出现的可能性。 基于贝叶斯网络的异常检测: 构建网络结构表达变量之间的依赖关系，通过概率推理进行异常检测。 基于模式预测的异常检测: 学习正常行为模式，预测未来行为，将与预测不符的行为判定为异常。 基于神经网络的异常检测: 利用神经网络强大的自学习能力，构建模型识别复杂

pyculiarity 用于时序数据异常检测，能有效识别异常值。

适合毕业设计或课程设计作业的 Matlab 算法和工具源码，经过严格测试，可直接运行。欢迎咨询使用问题，将及时解答。

matlab 的异常值脚本outliers.m挺实用的，适合你在数据预中快速定位那些“看着不太对”的数据点。里面用了两种方法：一个是统计老炮都知道的Grubbs 检验，另一个是经典的IQR（四分位区间）法。思路都清晰，还贴心地把每步都写成了流程——从读数据、计算指标，到检测再分类。用起来也不难，配合箱线图，可视化也直观。嗯，尤其适合建模前做数据清洗那一步。

异常（Outlier）指的是数据集中与大部分数据显著偏离的数据点，其偏离程度超出随机因素的范围，可能源于完全不同的生成机制。根据Hawkins的定义，异常是数据中那些使人怀疑其生成方式不同于其他数据的点。根据Weisberg的看法，异常是不符合数据集其他部分统计模型的数据。Samuels认为，异常是与数据集中其余部分显著不同的数据点。Porkess指出，异常是远离数据集中其他数据点的极端值。

随着时间数据分析领域的发展，时序数据异常检测变得越来越重要。这项技术专注于识别时间序列中的异常模式和趋势，为数据分析和预测提供可靠的基础。通过应用先进的算法和技术，研究人员能够有效地监测和分析数据中的异常点，进而改进预测模型的准确性和可靠性。

MTS 数据挖掘的后续研究点，写得还挺深入的，尤其提到用Hotelling T²成本函数做异常检测这块，蛮有意思。你要是对时间序列异常识别感兴趣，这篇内容值得你花点时间看看，尤其是想搞明白什么是不和谐子序列、例外模式的本质区别。 异常识别的部分讲得比较细，像是第 2 章直接上了股票交易的数据做例子，对比第 4 章挖出来的“不和谐子序列”，思路清晰，操作性也强。如果你平时也用Python做数据，那和Python-STUMPY结合用，说不定就有思路了。 另外它还提到一个点我觉得挺实用——就是在线实时检测的想法，现在不是多项目都走实时数据吗？这思路正好切合，比如用在金融、智能监控系统里，效果会比较直

异常检测方法可以基于多种不同的方法进行分类：包括统计学方法、距离度量方法、偏差检测方法和密度估计方法。这些方法在处理高维数据时也有各自的应用场景。