异常检测—算法篇_异常检测算法

异常检测方法

异常点检测(Outlier detection)，又称为离群点检测，是找出与预期对象的行为差异较大的对象的一个检测过程。这些被检测出的对象被称为异常点或者离群点。异常点检测在生产生活中有着广泛应用，比如信用卡反欺诈、工业损毁检测、广告点击反作弊等。

根据不同异常检测问题分类：

1. 时间序列法：移动平均，同比和环比，时序指标异常检测(STL+GESD)
2. 统计法： 单特征且符合高斯分布，多个不相关特征且均符合高斯分布，多个特征相关且符合多元高斯分布
3. 距离法：基于角度的异常点检测，基于KNN的异常点检测
4. 线性方法：矩阵分解和PCA降维

本文主要介绍时间序列异常检测的具体实施流程：
将这类异常检测作为二分类问题来处理，按照机器学习流程分为四个阶段：预处理，特征提取，模型训练和最后的异常检测。

预处理：
在预处理过程中，我们首先面对的一个挑战是样本极度不平衡，这也是异常检测问题的主要特点。如图所示，在本次竞赛中，异常样本比例只有2%，远远低于正常样本。
如何避免呢，常用的有两种方式来使得不同类别样本比例相对平衡

1. 下采样:
   对训练集里面样本数量较多的类别（多数类）进行欠采样，抛弃一些样本来缓解类不平衡。
2. 过采样:
   对训练集里面样本数量较少的类别（