异常检测

1 PCA

标准化-协方差矩阵-特征值/特征向量-选择特征向量

计算投影值，投影值越大，越异常

2 DBSACN

在聚类过程中寻找核心对象，扩展密度可达的样本，由密度可达关系导出的最大密度相连的样本集合，即为我们最终聚类的一个类别。

图中MinPts=5，红色的点都是核心对象。

密度直达：epsilon邻域内，黑色点由红色点密度直达；

密度可达：可以相连的核心对象，图中的绿色箭头连线；

密度相连：密度可达的样本序列的ϵϵ-邻域内所有的样本相互都是密度相连的。

3 LOF

局部异常因子：计算每个点的核心密度，如果密度明显小于邻居，则为异常点；

如果数据点 p 的 LOF 得分在1附近，表明数据点p的局部密度跟它的邻居们差不多；

如果数据点 p 的 LOF 得分小于1，表明数据点p处在一个相对密集的区域，不像是一个异常点；

如果数据点 p 的 LOF 得分远大于1，表明数据点p跟其他点比较疏远，很有可能是一个异常点。

4孤立森林

通过计算决策路径的长度来判断异常，决策路径越短，说明越可能是异常。

5 one class svm

给出正常值的边界，超出边界，就是异常值。