如下图所示，不同于假设的数据，在现实中我们获取到的数据集一定会存在某些异常的数据点。
如果异常的数据点太多或者影响太大，则会显著降低我们模型的性能。这时，我们可以使用异常检测的方法来找出数据集中的异常点。
例如在线采集而来的有关用户的数据，一个特征向量中可能会包含如：用户多久登录一次，访问过的页面，在论坛发布的帖子数量，甚至是打字速度等。尝试根据这些特征构建一个模型，可以用这个模型来识别那些不符合该模式的用户。
异常检测（Anomaly Detection）
异常检测是指根据输入数据，对不符合预期模式的数据进行识别。
如上图所示，在红色圈内的数据属于该组数据的可能性较高，而越是偏远的数据，其属于该 组数据的可能性就越低。这时我们就可以通过 检测非正常用户。这种方法被称为密度估计法。
如何实现异常检测
异常检测检测有很多检测算法，我们这里使用 sklearn 中的 EllipticEnvelope 来实现。它被用于检测高斯分布数据集中异常值的对象。
# 建立模型from sklearn.covariance import EllipticEnvelopead_model = EllipticEnvelope(contamination=0.02)ad_model.fit(data)# 预测异常点y_predict = ad_model.predict(data)# 可视化结果fig4 = plt.figure(figsize=(10, 10))original_data = plt.scatter(data.loc[:, 'x1'], data.loc[:, 'x2'], marker='x')anomaly_data = plt.scatter(data.loc[:, 'x1'][y_predict == -1], data.loc[:, 'x2'][y_predict == -1], marker='o', facecolor='none', edgecolor='red', s = 150)plt.title('anomaly detection result')plt.xlabel('x1')plt.ylabel('x2')plt.legend((original_data, anomaly_data), ('original_data', 'anomaly_data'))plt.show()效果如下图所示：
异常检测与监督学习对比
从上面的描述可以看到，异常检测类似于二分任务，它需要找出错误和异常的数据。那么我们能不能直接采用监督学习的逻辑回归来实现异常检测呢？
但实际上是很难按照这样的做法来实现的！因为正类的样本实际上我们很容易收集到，但是负类的样本可以说很难收集，或者说负类样本是无穷无尽的，没有办法让机器学习到每一种负类样本的特征。
另外一个问题是异常的例子通常很难被收集到，例如网络的异常访问或者异常的交易数据等等，都是在大量的正常数据中才能够找到一个异常数据，因此这也是很严重的问题。
