15.3 算法

在本节视频中，我将应用高斯分布开发异常检测算法。异常检测算法：

对于给定的数据集 x(1),x(2),...,x(m) ，我们要针对每一个特征计算 μ 和 σ2 的估计值。

一旦我们获得了平均值和方差的估计值，给定新的一个训练实例，根据模型计算 p(x)：

当 p(x)<ε 时，为异常下图是一个由两个特征的训练集，以及特征的分布情况：

下面的三维图表表示的是密度估计函数，z 轴为根据两个特征的值所估计 p(x)值：

我们选择一个 ε，将 p(x)=ε 作为我们的判定边界，当 p(x)>ε 时预测数据为正常数据，

否则则为异常。

在这段视频中，我们介绍了如何拟合 p(x)，也就是 x 的概率值，以开发出一种异常检测算法。同时，在这节课中，我们也给出了通过给出的数据集拟合参数，进行参数估计，得到参数μ和σ，然后检测新的样本，确定新样本是否是异常。

在接下来的课程中，我们将深入研究这一算法，同时更深入地介绍，怎样让算法工作地更加有效。