如何用K Means做非监督的异常检测(outlier anomaly detection)？有什么思路吗？谢谢！
3个回答
类似于one-class SVM，先用干净的数据（没有异常点）得到一个K Means。然后把测试集（包含异常点）根据之前KMeans的结果进行聚类，如果一个点距离它最近的中心超过之前训练集里的最大距离的话，就判断它为异常点。
matt
2018-10-06 14:39
可以考虑离每簇的centroid最远的点，它们就是异常点。
SofaSofa数据科学社区DS面试题库 DS面经
数据痴汉
2018-05-27 00:07
补充下：可能用基于概率密度的聚类方法更好点。
-
数据痴汉
2018-06-07 13:34
如果没有训练数据，可以考虑人为设定一定比例（比如0.1%）为异常点，或把距离的histogram画出来，找个拐点设定距离的阈值，大于这个阈值的是异常点。
SofaSofa数据科学社区DS面试题库 DS面经
Zealing
2018-10-07 05:17
相关讨论
随便看看