data_mining:anomaly_detection

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revisionPrevious revision
Next revision
Previous revision
Last revisionBoth sides next revision
data_mining:anomaly_detection [2014/08/30 14:53] phreazerdata_mining:anomaly_detection [2014/08/30 17:00] – [Multivariate Normal Distribution] phreazer
Line 53: Line 53:
  
 Parameter: Parameter:
-$\mu\Sigma \in R^{n \dot n}$+$\mu
 +Crosscorrelation Matrix: $\Sigma \in \mathbb{R}^{n \times n}$ 
 + 
 +Vorteilhaft, wenn Features positiv/negativ korreliert. 
 + 
 +==== Schätzung ==== 
 +  - Fitten des Models durch Schätzung von $\mu,\Sigma$ 
 +  - p(x) berechnen 
 +    * Anomaly flaggen wenn $p(x) < \epsilon$ 
 + 
 +Unterschied zu vorherigem Modell: $\Sigma$ kann hier von 0 verschiedene Werte für nicht-diagonal Elemente besitzen. 
 + 
 +Ursprüngliches Modell: 
 +  * Wenn manuell Features erzeugt werden, die ungewöhnliche Kombinationen beinhalten $x_3=x_1/x_2$ 
 +  * Weniger  Rechenintensiv (n = 10000 bis 100000) 
 +  * Geeignet auch wenn m klein (Multivar. muss m > n haben)
  • data_mining/anomaly_detection.txt
  • Last modified: 2014/08/30 17:00
  • by phreazer