【文件属性】：
文件名称：异常：使用多元高斯核进行简单的异常检测
文件大小：3KB
文件格式：ZIP
更新时间：2021-02-18 11:19:09
Python
N维数据中的半监督异常检测。
概括
使用半监督学习和Python，在给出具有大部分有效示例的数据集的情况下，我们使用高斯模型和多元高斯模型学习点的分布。 然后，我们可以将点标记为异常或不使用经过训练的模型。
该算法的监督部分是指定用于标记点的阈值。
数字
下面显示的图形代表高斯模型（顶部）和多元高斯模型（底部）。 两种模型都使用相同的输入数据进行了训练。
图例： x和y轴-2D空间中的数据点
蓝点-用于构建模型的输入数据红点-二维空间中标记为异常的点黄点-二维空间中标记为有效的点
s
Rados Jovanovic-初始工作
执照
此项目已获得MIT许可证的许可-有关详细信息，请参阅文件
致谢
向每个为科学做出贡献的人致谢！
【文件预览】：
Anomaly-master
----anomaly.py(3KB)
----LICENSE.md(1KB)
----README.md(1KB)