无标签机器学习异常检测
Anomaly detection with machine learning without labels
我在一段时间内跟踪多个信号并将它们与时间戳相关联，如下所示：
t0 1 10 2 0 1 0 ...
t1 1 10 2 0 1 0 ...
t2 3 0 9 7 1 1 ... // pressed a button to change the mode
t3 3 0 9 7 1 1 ...
t4 3 0 8 7 1 1 ... // pressed button to adjust a certain characterstic like temperature (signal 3)
其中 t0 是标记标记，1 是信号 1 的值，10 是信号 2 的值，依此类推。
那段时间抓取到的数据应该算是正常情况。现在应该从正常情况中检测到重要的推导。对于显着推导，我并不是说一个信号值只是更改为在跟踪阶段未看到的值，而是指许多值发生变化但尚未相互关联。我不想对规则进行硬编码，因为将来可能会添加或删除更多信号，并且可能会实施具有其他信号值的其他 "modi"。
这可以通过某种机器学习算法来实现吗？如果出现一个小的推导，我希望算法首先将它视为对训练集的一个小改动，如果它在未来出现多次，它应该是 "learned"。主要目标是检测更大的变化/异常。
我希望我能把我的问题解释得足够详细。提前致谢。
您可以只计算要素中的最近邻居 space 并设置一个阈值，允许它与您的测试点相距多远才不会成为异常。
假设您的 "certain period of time"
中有 100 个值
因此您使用 100 维特征 space 训练数据（不包含异常）
如果您获得要测试的新数据集，则计算 (k) 个最近邻并计算特征中的（例如欧氏）距离space。
如果该距离大于某个阈值，则为异常。
为了优化，您必须做的是找到一个好的 k 和一个好的阈值。例如。通过网格搜索。
(1) 请注意，只有当您的数据具有固定的起点和终点时，这样的事情才可能有效。否则你将需要大量的数据，而且它的性能也不会那么好。
(2) 注意 为您在问题中提到的每个 "mode" 创建一个自己的检测器应该是值得的。
我在一段时间内跟踪多个信号并将它们与时间戳相关联，如下所示：
t0 1 10 2 0 1 0 ...
t1 1 10 2 0 1 0 ...
t2 3 0 9 7 1 1 ... // pressed a button to change the mode
t3 3 0 9 7 1 1 ...
t4 3 0 8 7 1 1 ... // pressed button to adjust a certain characterstic like temperature (signal 3)
其中 t0 是标记标记，1 是信号 1 的值，10 是信号 2 的值，依此类推。
那段时间抓取到的数据应该算是正常情况。现在应该从正常情况中检测到重要的推导。对于显着推导，我并不是说一个信号值只是更改为在跟踪阶段未看到的值，而是指许多值发生变化但尚未相互关联。我不想对规则进行硬编码，因为将来可能会添加或删除更多信号，并且可能会实施具有其他信号值的其他 "modi"。
这可以通过某种机器学习算法来实现吗？如果出现一个小的推导，我希望算法首先将它视为对训练集的一个小改动，如果它在未来出现多次，它应该是 "learned"。主要目标是检测更大的变化/异常。
我希望我能把我的问题解释得足够详细。提前致谢。
您可以只计算要素中的最近邻居 space 并设置一个阈值，允许它与您的测试点相距多远才不会成为异常。
假设您的 "certain period of time"
中有 100 个值因此您使用 100 维特征 space 训练数据（不包含异常）
如果您获得要测试的新数据集，则计算 (k) 个最近邻并计算特征中的（例如欧氏）距离space。
如果该距离大于某个阈值，则为异常。 为了优化，您必须做的是找到一个好的 k 和一个好的阈值。例如。通过网格搜索。
(1) 请注意，只有当您的数据具有固定的起点和终点时，这样的事情才可能有效。否则你将需要大量的数据，而且它的性能也不会那么好。
(2) 注意 为您在问题中提到的每个 "mode" 创建一个自己的检测器应该是值得的。