斯坦福CS229异常检测5算法选型指南一张对比表帮你快速上手【免费下载链接】stanford-cs-229-machine-learningVIP cheatsheets for Stanfords CS 229 Machine Learning项目地址: https://gitcode.com/GitHub_Trending/st/stanford-cs-229-machine-learning信用卡半夜刷出三笔大额交易是本人还是盗刷车间设备突然异响该不该停机检修这类判断的共同点是没有标准答案只能靠数据里的不对劲。斯坦福 CS229 无监督学习速查手册把异常检测这类问题拆成 5 条可落地的算法路线帮你从选型到上手少走弯路。这个项目解决了什么问题它把斯坦福 CS229 的核心知识整理成一组可打印的 PDF 速查手册覆盖监督学习、无监督学习、深度学习和训练技巧四大板块另有概率统计与代数的前置复习。对异常检测来说它解决的是选型没抓手的问题一张图讲清每种算法的直觉与适用边界省去翻教材的时间提供 12 种语言版本英文在 en/ 目录简体中文在 zh/ 目录团队可按语言分工从原理到超参数调优的完整链路面试前速查、项目选型都能直接用核心概念速览异常检测的核心不是分类而是找不同。多数算法都在回答同一个问题哪些点和大多数点长得不一样。从直觉上分两类。一类是密度与距离思路LOF、K-均值看某点周围够不够拥挤另一类是分布与边界思路GMM、One-Class SVM、隔离森林看某点落在正常范围的概率高低。所以选型的第一个问题不是哪个更准而是你的数据长什么样。先看清数据形态再谈算法。一张对比表选对方法5 种算法的差异用下面这张表一次对齐算法适用数据特点计算复杂度数据规模推荐场景LOF 局部异常因子密度不均、存在局部异常中等中小规模交易流水、网络日志隔离森林高维、特征多较低大规模服务器监控、高维特征One-Class SVM正常数据边界清晰较高小样本质检小样本GMM 高斯混合多模态、簇状分布中等中小规模传感器多峰信号K-均值近似球形、簇较圆较低大规模初步粗筛、教学演示LOF能抓到藏在局部里的异常点代价是邻域参数 k 要反复调。隔离森林异常点更容易被提前切开上量后适合做快速筛选。One-Class SVM边界干净时效果稳但训练慢、样本多时不稳。GMM适合一簇一簇的多峰数据概率分数可直接当异常分用。K-均值上手最快但只能识别远离簇心的点复杂分布容易漏。三步上手路径先读无监督学习速查表把 5 种算法的直觉过一遍建立全局地图。在真实数据上跑隔离森林或 K-均值先拿到一版基线异常分。换 1~2 种算法对比结果按漏报率挑出最终方案再固化阈值。避坑清单数据不缩放就开跑特征量纲不一时距离类算法LOF、K-均值会误判。只盯异常数不看业务异常率要对齐业务容忍度别死守固定阈值。高维直接上 SVM维度一高 One-Class SVM 又慢又不稳换隔离森林更合适。把异常点当标签直接训练异常本身有噪声先人工抽检再入模型。资源速查核心文档无监督学习速查表监督学习速查表深度学习速查表机器学习技巧速查表基础资料概率与统计复习代数与微积分复习全概念合集 Super Cheatsheet扩展学习英文说明 README简体中文速查手册目录法文版手册目录先从隔离森林跑一个基线再对照上表挑出最匹配你数据形态的那一种。打开无监督学习速查表今天就能上手 【免费下载链接】stanford-cs-229-machine-learningVIP cheatsheets for Stanfords CS 229 Machine Learning项目地址: https://gitcode.com/GitHub_Trending/st/stanford-cs-229-machine-learning创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考