基于邻域离散度和隔离树的异常点检测算法研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文的主要工作 | 第11页 |
| 1.4 本文的组织结构 | 第11-13页 |
| 2 异常点检测的相关研究工作 | 第13-22页 |
| 2.1 异常点概述 | 第13-14页 |
| 2.1.1 异常点的种类与定义 | 第13-14页 |
| 2.1.2 异常点的形成原因 | 第14页 |
| 2.2 异常点检测算法概述 | 第14-19页 |
| 2.2.1 基于统计模型的异常点检测算法 | 第15页 |
| 2.2.2 基于邻近度的异常点检测算法 | 第15-16页 |
| 2.2.3 基于子空间的异常点检测算法 | 第16-17页 |
| 2.2.4 基于图论的异常点检测算法 | 第17页 |
| 2.2.5 基于集成学习异常点检测算法 | 第17-18页 |
| 2.2.6 算法综合对比 | 第18-19页 |
| 2.3 异常点检测算法评价方法 | 第19-21页 |
| 2.3.1 召回率与精度 | 第19-20页 |
| 2.3.2 ROC曲线与AUC | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 基于邻域离散度的异常点检测算法 | 第22-33页 |
| 3.1 引言 | 第22-23页 |
| 3.2 主成分分析 | 第23-24页 |
| 3.2.1 基本原理 | 第23-24页 |
| 3.2.2 用奇异值分解实现主成分分析 | 第24页 |
| 3.3 基于邻域离散度的异常点检测算法 | 第24-28页 |
| 3.3.1 算法思路 | 第24-27页 |
| 3.3.2 算法描述 | 第27页 |
| 3.3.3 算法性质 | 第27-28页 |
| 3.4 实验 | 第28-32页 |
| 3.4.1 实验数据 | 第28-29页 |
| 3.4.2 实验设置 | 第29页 |
| 3.4.3 实验结果 | 第29-32页 |
| 3.5 本章小结 | 第32-33页 |
| 4 基于隔离树的异常点检测算法 | 第33-45页 |
| 4.1 引言 | 第33页 |
| 4.2 隔离树与隔离森林 | 第33页 |
| 4.3 基于隔离树的异常点检测算法 | 第33-41页 |
| 4.3.1 算法思路 | 第33-36页 |
| 4.3.2 算法描述 | 第36-38页 |
| 4.3.3 算法性质 | 第38-39页 |
| 4.3.4 算法示例 | 第39-41页 |
| 4.4 实验 | 第41-44页 |
| 4.4.1 实验数据 | 第41-42页 |
| 4.4.2 实验设置 | 第42页 |
| 4.4.3 实验结果 | 第42-44页 |
| 4.5 本章小结 | 第44-45页 |
| 5 总结与展望 | 第45-47页 |
| 5.1 总结 | 第45页 |
| 5.2 展望 | 第45-47页 |
| 参考文献 | 第47-52页 |
| 攻读学位期间取得的研究成果 | 第52-53页 |
| 致谢 | 第53-56页 |
