基於線性分析
基於時空
基於相似性分析
基於偏差
高維方法
其他往往只對單獨緯度進行研究，使用上有很大的侷限性
對異常資料和正常資料進行不同的分布假設，並用em演算法擬合資料。侷限性在於假設往往和實際有較大出入，效果一般
在低緯度上分析資料間的相關性。比如pca，factor analysis等。但是壓縮或找到低維嵌入後，資料的可解釋性下降。
o點單獨看來的情況下是正常點，但是考慮到臨近點後是異常點
如k近鄰為原型的
如local outlier factor（lof）
先把人分群，然後把明顯跟大夥兒不同的小群體去掉，那這部分小群體就是異常點。利用聚類檢測異常點的方法是丟棄遠離其他簇的小簇[3]
這種方法的思想是考慮到異常值跟整個資料集通常的特性（general characteristics）不一致，認為異常值是離中心最遠的點，當移除這些點時，整個資料集某個特徵的方差就會減小。比如一種模型的方法是定義乙個smooth factor，它表示的就是當某條資料從整體裡移除時，方差（variance）降低多少，一般來說，異常值降低的值會大於正常值。[2]
在高維下做異常檢測會出現以下問題：
隨著維度的增加，各個點距離的區分度是很小的；
資料很稀疏，幾乎所有的點都是離群點；
鄰近的概念變得沒有意義。
針對以上的問題，解決方案如下：
取樣更魯棒的距離函式，並且在full-dimensional找異常點；
在原始子空間的特徵空間裡找異常點。
基於角度的方法往往在高維空間裡會很有效。通常來說如果點o是異常點的話，那麼它與其它點的角度都差不多，如果不是異常點，它與其它點的角度就多種多樣。[2]
isolation forest
feature bagging
參考資料：[1]機器學習門下，有哪些在工業界應用較多，前景較好的小方向？ - 微調的回答 - 知乎
[2]資料探勘中常見的「異常檢測」演算法有哪些？ - 尼古丁布的回答 - 知乎
[3]資料探勘中常見的「異常檢測」演算法有哪些？ - 恆仔的回答 - 知乎
陣列常見方法分類
concat 連線兩個或更多的陣列，並返回結果。every 檢測陣列元素的每個元素是否都符合條件。some 檢測陣列元素中是否有元素符合指定條件。filter 檢測陣列元素，並返回符合條件所有元素的陣列。indexof 搜尋陣列中的元素，並返回它所在的位置。join 把陣列的所有元素放入乙個字串。t...
Java Collection常見方法
collection的常見方法 1 新增 boolean add object obj 新增單個物件 boolean addall collection coll 新增集合 2 刪除 boolean remove object obj 刪除單個物件 boolean removeall collect...
Java Set常見方法
set 元素不能重複，無序。set介面中的方法和collection一致 hashset 內部資料結構是雜湊表，是不同步的。雜湊表確定元素是否相同 1 判斷的是兩個元素的雜湊值是否相同，如果相同再判斷兩個物件的內容是否相同。2 判斷雜湊值相同，其實判斷的是物件的hashcode的方法，判斷內容相同，...