CMU赵越：异常检测的算法、应用和实践
作者信息
B站视频讲解：https://www.bilibili.com/video/BV1tV411b7Ck
内容概括
1.什么是异常检测？
2.异常检测有什么具体应用？
3.异常检测的工具概览？如何用10行Python代码进行异常检测？
4.异常检测算法概览与主流模型介绍
5.面对各种各样的模型，如何选择和调参？
6.未来的异常检测研究方向
7.异常检测相关的资源汇总（书籍、讲座、代码、数据等）
异常检测
什么是异常值、离群点（anomaly）？
异常一般指的是与标准值（或期待值）有偏离的样本，也就是说跟绝大部分数据“长的不一样”。
异常检测的一些特点：
1.异常不一定代表是“坏”的事情，但往往是“有价值”的事情，我们对异常的成因感兴趣
2.异常检测往往是在无监督的模式下完成的—历史数据中没有标签，我们不知道哪些数据是异常。因此无法用监督学习去检测。
异常检测的应用：
1.金融行业的反欺诈、信用卡诈骗检测：把欺诈或者金融风险当做异常
2.罕见病检测：把罕见病当做异常，比如检测早发的阿兹海默症
3.入侵检测：把网络流量中的入侵当做异常
4.机器故障检测：实时监测发现或预测机械故障
5.图结构、群体检测：比如检测疫情的爆发点等
异常检测的应用
IntelControlFlag：
“基于10亿条包含各种错误的未标记生产质量代码的机器学习培训，ControlFlag得以通过“异常检测”技术，对传统编程模式展开筛查。无论使用的是哪种编程语言，它都能够有效地识别代码中可能导致任何错误的潜在异常。”
AmazonAWSCloudWatch:
“今天，我们将通过一项新功能增强CloudWatch，它将帮助您更有效地使用CloudWatch警报。…我们的用户可以构建自定义的控制面板，设置警报并依靠CloudWatch来提醒自己影响其应用程序性能或可靠性的问题。”
Google：
“GoogleAnalytics（分析）会选择一段时期的历史数据来训练其预测模型。要检测每天的异常情况，训练期为90天。要检测每周的异常情况，训练期为32周。”
异常检测的挑战
1.大部分情况下是无监督学习，没有标签信息可以使用
2.数据是极端不平衡的（异常点仅占总体数据的一小部分），建模难度大
3.检测方法往往涉及到密度估计，需要进行大量的距离/相似度计算，运算开销大
4.在实际场景中往往需要实时检测，这比离线检测的技术难度更高
5.在实际场景中，我们常常需要同时处理很多案例，运算开销大
6.解释性比较差，我们很难给出异常检测的原因，尤其是在高维数据上。但业务方需要了解异常成因
7.在实际场景中，我们往往有一些检测的历史规则，如何与学习模型进行整合
异常检测工具
Python：
1.PyOD：超过30种算法，从经典模型到深度学习模型一应俱全，和sklearn的用法一致
2.Scikit-Learn：包含了4种常见的算法，简单易用
3.TODS：与PyOD类似，包含多种时间序列上的异常检测算法
Java：
1.ELKI:EnvironmentforDevelopingKDD-ApplicationsSupportedbyIndex-Structures
2.RapidMiner异常检测扩展
R：
1.outlierspackage
2.AnomalyDetection
用10行Python代实行异常检测：
详细介绍：https://zhuanlan.zhihu.com/p/58313521
异常检测算法
异常检测算法可以大致被分为：
1.线性模型（LinearModel）：PCA
2.基于相似度的度量的算法（Proximity-basedModel）：kNN,LOF，HBOS
3.基于概率的算法（ProbabilisticModel）：COPOD
4.集成检测算法（EnsembleModel）：孤立森林（IsolationForest），XGBOD
5.神经网络算法（NeuralNetworks）：自编码器（AutoEncoder）
评估方法也不能简单用准确度（accuracy），因为数据的极端不平衡
1.ROC-AUC曲线
2.Precision@Rankk：topk的精准
3.AveragePrecision：平均精准度
主流模型介绍：
如何选择和合并模型
异常检测实践中的技巧
异常检测落地中的考量
1.不要尝试一步到位用机器学习模型来代替传统模型
2.在理想情况下，应该尝试合并机器学习模型和基于规则的模型
3.可以尝试用已有的规则模型去解释异常检测模型
异常检测研究方向
